基于混合高斯过程模型的高光谱图像分类算法.PDFVIP

高校应用数学学报 2010，25(4)：379—385 基于混合高斯过程模型 的高光谱图像分类算法 刘 辉 ， 白峰杉 (清华大学 数学科学系，北京 100084) 摘 要：提出了一种基于混合高斯过程模型的高光谱遥感图像分类算法，它不同于传 统的基于多元统计的分类方法．为更好利用高光谱遥感图像的高谱分辨率特点，首先 将函数数据分析 的思想引进高光谱数据 的分类问题，分类对象视为像元对应 的谱线， 故它们是函数型数据．为了有效模拟地物在空间上的分片聚集特性，则将混合高斯分 布模型推广到混合高斯过程模型并用于高光谱数据分类算法中．数值实验表 明，混合 高斯过程模型是处理函数型数据的有效方法． 关键词：混合高斯过程模型；分类；函数数据分析：高光谱遥感图像 中图分类号：TP391．41 文献标识码：A 文章编号：1000—4424(2010)04—0379—07 引 言 上世纪80年代出现的高光谱遥感在光谱分辨率上有巨大优势，因此各国对该类遥感的发展 都十分重视，高光谱影像的处理和应用也 日益深入和广泛．本文主要考虑高光谱遥感数据的像 元 自动分类算法．遥感图像的像元分类是遥感地理信息系统中的关键问题之一，快速精确的遥 感图像 自动分类是实现环境的动态监测 评价和预报的关键．目前传统遥感图像的分类方法大 体可分为三类[1]：基于图像的灰度分类，基于图像纹理的分类和基于多源信息融合的分类方法 等．对于高光谱数据分类算法来说，目前许多工作是对一些传统的遥感数据分类方法加以改进， 按不同的分类标准可分为监督分类与非监督分类，参数分类与非参数分类，确定性分类和非确 定性分类以及其他分类方法f卜，监督分类和非监督分类是 目前最常见的一种划分．监督分类中 以最大似然法的分类精度最高[3-4]．非监督类方法甚至不需要有对数据的先验知识 也可以直接 应用原始高光谱遥感图像数据来进行分类，虽然精度有所欠缺，但简单易行．非监督分类方法包 括K—means，ISODATA[5J，基于遗传算法的分类方法和一些模糊分类方法[6】等．对于高光谱数据 来说，光谱角度填][(Spectralanglemapper，SAM)N编码匹配7【J也是一种常用的分类方法． 如前所述，目前主要的高光谱分类算法来源于传统的多光谱分类算法．由于高光谱数据的 高光谱分辨率，在分类之前要进行必要的降维．常用的降维方法有特征选择和特征提取．特征选 择是要从现有的rt个特征 一，x)中直接选出d个特征使得可分性判据t，最大，所有可能的特 征组合方案数为 ，在高光谱影像特征选择中，这是一个非常大的数，因此基于穷举的最优选择 收稿 日期：2009—12—14 基金项 目：国家自然科学基金(108711151 通信作者，E—mail：luningdong@mail．tsinghua．edu．cn 380 高校 应 用 数 学 学报 第25卷第4期 是不现实的，人们发展出一些其他的特征选择方法如分枝定界法和顺序前进或后退法等．相比 特征选择，特征提取降维方法更为常用，与特征选择相比，特征提取是建立在各光谱波段问的重 新组合和优化基础上的一种降维方法．在经过特征提取后的光谱特征空间中，其新的光谱向量 应该是反映特定地物某一性状的一个光谱参量，后者是有别于其它地物的光谱参量．其概念表 述如下：在使可分性判据 取最大的目标下，对n个原始特征进行变换降维，即对原始n维原始特 征空间进行坐标变换，再取子空间．也就是找到一个映射关系P：X ．÷y，将原始特征空间映射 到维数降低了的特征空间y上去，如基于主成分分析的特征变换是常用的特征选择方法．在利 用PCA进行特征选择后，对于维数低很多的主成分得分向量集可 以用KIneans等分类方法进行数 据分类．在数值试验部分，本文算法将与前述传统算法进行对比． 高光谱遥感数据与多光谱数据的主要差别在于由于谱段的加细 每个像元之上不再是仅有 几个离散的谱段，而是存在一条连续的谱线，这为更精细的像元分类提供了更好的条件．我们 将函数数