基于稀疏多流形学习的高光谱遥感图像分类

The hyperspectral images(HSI) can be represented on a low dimensional manifold, but the real manifold structure is not clear yet.Our project team found that there are multi-manifold structures in HSI with multiple non-contiguous subsets. There is no report about fusion of multi-manifold learning and sparse representation for HSI classification. The goal of this research is to build a semi-supervised multi-manifold clustering model with limited labeled samples, and divides the training samples into the corresponding sub-manifold. Then, we try to construct a sparse multi-manifold learning model to discover the multi-manifold structure in HSI data, and use reconstruction error to achieve multi-manifold classification. This research is conducive to the understanding of HSI intrinsic structure, and it also has theoretical significance and application prospects. This research includes: 1) To verify the multi-manifold structure in HSI; 2) We try o build a semi-supervised multi-manifold clustering model based on manifold clustering and semi-supervised learning, and determine number of sub-manidfolds in HSI, then the HSI data can be divided into different submanifold; 3) To extract sparse discriminant features, we first achieve a sparse representation of data on each submanifold and construct a manifold model for the sparse representations, then compute the reconstruction errors of new sample on each submanifold for classification. This research provides a new way to solve the curse of dimensionality in HSI classification.

高光谱图像(HSI)可描述为在低维嵌入空间上的流形，但确切流形结构尚未明确。本课题组发现HSI中存在多个不连续的子集，其内蕴维数亦不同，具有多流形结构。关于面向HSI分类的多流形学习模型，迄今国内外尚无报道。本课题研究目标是在有限标记样本条件下构建半监督多流形聚类模型，实现子流形数据划分，并融合稀疏表示方法，构建稀疏多流形学习模型，发现隐藏在高维HSI中的低维多子流形，并实现多流形分类，为解决HSI分类中的"维数灾难"问题奠定基础，具有理论意义和应用前景。研究内容包括：1)证实HSI中多流形的存在；2)采用流形聚类、半监督学习方法开展半监督多流形聚类研究,确定HSI中子流形的数目，并将数据划分为对应的子流形；3)对各子流形数据进行稀疏表示，然后对各子流形上的稀疏表征数据进行流形建模，实现稀疏鉴别特征提取，并利用新样本在各子流形上重构误差来实现分类，为解决HSI分类问题提供新思路和新方法。

高光谱遥感影像具有几十上百个光谱波段，提供了非常丰富的地物光谱信息，给地物分类与识别带来了新的机遇。但是如何降低波段间的相关性，减少高光谱数据中的冗余信息，挖掘数据的本质特征，得到有效的鉴别特征，成为地物分类技术中的关键问题。传统流形学习不能有效发现高光谱数据中的多流形结构和本质特征，本项目以提出新的稀疏多流形学习模型和空-谱联合学习方法为研究思路，重点在4个方向上进行了研究：1) 新型多流形学习建模；2) 引入稀疏表示理论构建稀疏多流形学习模型；3) 基于稀疏系数与局部光谱角的分类器设计；4)根据高光谱遥感影像中的空间一致性探究空-谱联合学习模型方法。具体而言，在多流形学习建模方面，提出了基于线性局部与全局保持嵌入的半监督多流形学习模型，该模型不仅能够实现对高维数据的子流形划分，而且得到的低维流形能够有效地刻画出高光谱遥感数据的真实多子流形结构。在此基础上，通过引入稀疏感知机制构建多种稀疏多流形学习模型，揭示高光谱数据中各子流形的内蕴变量，探寻高光谱数据多流形结构中各子流形的内在稀疏性，有效地拓展了流形学习的外延。在分类器设计方面，基于稀疏表示能自适应地揭示出数据的内在关系的能力，提出了稀疏邻域分类算法；此外，还提出了一种新的局部光谱角最近邻分类器，使准确判断未知数据类别的概率增加，同时分类的稳定性更好，具有较大的应用价值。在空-谱联合学习方面，根据遥感影像中的地物分布情况及空间信息验证了高光谱数据中的空间一致性，建立了空-谱联合降维与分类模型，较好地提升了低维嵌入特征的判别性和分类器的准确性。通过课题组为时四年的研究工作，本项目按计划完成了课题研究目标，并取得了一系列的研究成果，发表学术论文共23篇（其中SCI境外期刊9篇，国际会议论文3篇，EI论文11篇），申请发明专利14项，参加国际学术会议4次，并培养博/硕士研究生共20人。