导　　师： 皮佑国; Wilfried Philips; 廖文志

授予学位： 博士

作　　者： ;

机构地区： 华南理工大学

摘　　要： 遥感技术的最新进展使我们能够多角度地测量地表目标的特征信息,如多光谱和高光谱传感器可获取目标的光谱特性,激光雷达(Li DAR)可以获得目标的海拔信息等。尽管获取目标的信息丰富,但遥感数据的自动解释(如分类,识别等)仍然具有巨大的挑战性。首先,由于遥感图像维度高,数据量庞大,使其计算复杂性大大增加,对存储资源需求巨大,这大大妨碍了遥感大数据的处理。其次,模式识别与分类技术通常要求训练样本数量足够多,以求获取对类别信息准确有效的描述,然而在很多实际应用中,训练样本的采集通常非常昂贵、麻烦,而且耗时,当对高维的遥感数据(例如超光谱图像)的进行分类时,如果训练样本数量过小,将可能导致Hughes现象。最后,最为重要的是不同的遥感数据具有不同的优点和短缺,如超光谱图像可以提供不同物质的丰富且有价值的光谱信息,但不能区分由相同材质构成的不同对象目标,并且超光谱图像很容易受天气和大气的影响;Li DAR数据可以提供对象目标的大小,结构和海拔等相关信息,但它难以区分海拔高度类似但性质完全不同的物体。因此如何从多源遥感数据中提取互补的特征信息,以提高对象目标的识别准确率仍然面对着诸多困难和挑战。为了解决上文提出的挑战性问题,本文重点探索研究了遥感数据的特征提取和融合算法,以提高遥感影像的分类精度。总体来说,我们提出的方法能够提取出有效且更具判别性的特征,提高目标的分类精度和效率,减少计算复杂性,给大数据集处理算法的提供了部分参考。本文的主要内容和成果总结如下:·针对无监督特征提取算法没有利用标签信息的问题,本文的提出了两种有监督特征提取算法:判别有监督邻域保持嵌入(DSNPE)和基于主成分分析(PCA)的监督局部保持投影(PSLPP),这两种算法都结合了样本的局

关 键 词： 遥感 超光谱图像 激光雷达 特征提取 数据融合 分类 半监督图学习

领　　域： []