高光谱遥感影像稀疏表示与字典学习分类研究  

Sparse Representation and Dictionary Learning for Hyperspectral Remote Sensing Image Classification

作　　者：甘乐 杜培军(指导) GAN Le(School of Geography and Ocean Science,Nanjing University,Nanjing 210023,China)

机构地区：[1]南京大学地理与海洋科学学院,江苏南京210023 [2]不详

出　　处：《地理与地理信息科学》2019年第1期125-125,共1页Geography and Geo-Information Science

基　　金：国家自然科学基金面上项目(41471275)

摘　　要：稀疏表示作为一种新型数据挖掘技术,能够有效地挖掘影像中各种类型的稀疏特性,已被广泛应用于高光谱遥感影像分类。但是,基于单一特征的稀疏表示模型不能有效地挖掘影像中蕴含的丰富的稀疏特性,且每种单一特征关联的不同非线性结构特征同样蕴含丰富的稀疏特性,充分地挖掘不同特征的稀疏模式和不同非线性结构特征的稀疏模式有助于增强地物的可分离性。此外,通过标注像元直接构建的字典集,在稀疏表示过程中通常呈现出不完备性,如何利用影像中丰富的上下文语义信息学习完备的字典对稀疏分类性能的影响至关重要。鉴于此,本文结合高光谱遥感影像自身特点,按照对影像蕴含稀疏特性不同层级的理解,从特征多样性、模型多样性和字典完备性等角度出发,构建了高光谱遥感影像稀疏表示与字典学习分类框架,提出了多特征核稀疏表示学习、多核自适应协同表示学习和空间加权字典学习等算法。论文主要内容和创新点包括。

关 键 词：高光谱遥感影像 遥感影像分类 稀疏表示 字典 数据挖掘技术 结构特征 表示模型 稀疏模式 

分 类 号：TP751[自动化与计算机技术—检测技术与自动化装置]