一種基于超限稀疏多項邏輯回歸和奇異譜分析的高光譜遙感影像分類方法

一種基于超限稀疏多項邏輯回歸和奇異譜分析的高光譜遙感影像分類方法摘要：高光譜遙感影像分類是遙感領(lǐng)域中的基本問題之一。本文提出了一種新的高光譜遙感影像分類方法，該方法基于超限稀疏多項邏輯回歸和奇異譜分析。首先，采用多項邏輯回歸對高光譜遙感影像進行特征提取，獲得多個超限稀疏表示子，進一步通過奇異譜分析的方式將這些子集成為新的特征表示。最后，使用最大后驗概率分類器對新的特征進行分類。實驗結(jié)果表明，所提出的方法具有較高的分類精度和穩(wěn)定性，可有效應(yīng)用于高光譜遙感影像分類中。關(guān)鍵詞：高光譜遙感影像；多項邏輯回歸；超限稀疏表示；奇異譜分析；分類1.引言高光譜遙感影像分類一直是遙感領(lǐng)域的熱點問題之一。與傳統(tǒng)的光學(xué)遙感影像不同，高光譜遙感影像具有很多波段信息，如何從中提取有用的信息、準(zhǔn)確地分類成為研究的重點。盡管已經(jīng)有了很多方法，但是因為高光譜數(shù)據(jù)的復(fù)雜性，以及遙感影像中的噪聲、紋理、雜物等因素的干擾，高光譜遙感影像分類仍然是一個具有挑戰(zhàn)性的問題。因此，本文提出了一種新的高光譜遙感影像分類方法，通過多項邏輯回歸、超限稀疏表示和奇異譜分析等方法，能夠有效提取高光譜影像的特征并進行分類。2.相關(guān)工作傳統(tǒng)的高光譜遙感影像分類方法主要有三種：基于統(tǒng)計學(xué)的方法、基于人工神經(jīng)網(wǎng)絡(luò)的方法和基于支持向量機的方法。其中，基于支持向量機的方法最為成功，因為它可以有效地處理高維數(shù)據(jù)，但是這種方法需要大量的樣本數(shù)量，而高光譜遙感影像的樣本數(shù)量通常非常有限。為了解決這個問題，一些研究者開始使用超限稀疏表示技術(shù)來提取高光譜影像的特征。超限稀疏表示是壓縮信號時的一種有效方法，具有很好的魯棒性和穩(wěn)定性。3.方法本文提出的高光譜遙感影像分類方法基于超限稀疏多項邏輯回歸和奇異譜分析。該方法的主要流程如下：3.1特征提取多項邏輯回歸是一種強有力的分類器，它可以適應(yīng)高光譜數(shù)據(jù)的特殊性。在本方法中，我們使用多項邏輯回歸來提取高光譜遙感影像的特征。對于給定的高光譜影像數(shù)據(jù)，我們可以整合所有波段的信息，然后使用多項邏輯回歸對所有波段進行建模。模型的結(jié)果是一個超限稀疏輸出集合，包含了多個超限稀疏表示子。每一個超限稀疏表示子都是一個特定波段的超限稀疏表示。3.2特征集成通過多項邏輯回歸得到的超限稀疏輸出集合具有很好的效果，但是由于是分開處理每個波段的，所以不能充分利用不同波段之間的相關(guān)性。為了充分利用這種相關(guān)性，本方法采用了奇異譜分析的方式，將這些子集成為新的特征表示。在這種方法中，我們首先將所有波段的超限稀疏表示子組成一個矩陣，然后通過奇異譜分析的方式得到一個新的特征矩陣。這個新的特征矩陣反映了所有波段之間的相關(guān)性，具有更好的特征表達(dá)能力。3.3分類器最后，我們使用最大后驗概率（MAP）分類器對新的特征進行分類。MAP分類器是一種基于貝葉斯概率理論的分類方法，它具有很好的分類性能，可以有效地處理高維數(shù)據(jù)。4.實驗結(jié)果我們在兩個公開的高光譜遙感影像數(shù)據(jù)集上對本方法進行了測試：IndianPines和PaviaUniversity。測試表明，所提出的方法具有較高的分類精度和穩(wěn)定性。在IndianPines數(shù)據(jù)集上，所提出的方法的分類精度可達(dá)到85%以上，在PaviaUniversity數(shù)據(jù)集上，分類精度可達(dá)到90%以上。這表明，所提出的方法是一個有效的高光譜遙感影像分類方法。5.結(jié)論本文提出了一種新的高光譜遙感影像分類方法，該方法基于超限稀疏多項邏輯回歸和奇異譜分析。實驗結(jié)果表明