摘要
在高光谱图像分类问题中，获得带类别标签的样本需要较高的人力成本。故高光谱图像带标记训练样本数量很有限。另外，高光谱图像特征维度高，特征冗余大，对分类带来了很大的挑战。因此，在通过高光谱图像实现地物分类前，对数据进行有效处理并提取关键特征是必不可少的。 一个高效的特征提取方法可以有效去除冗余特征、噪声特征，保留有利的关键特征。应用于高光谱图像领域的传统特征提取算法，提取的特征是浅层的、低级的图像特征，这意味着传统的特征提取算法不能很好的提取和保留高光谱图像中的有效信息。深度学习可以通过深层结构在图像中分层表达信息，这意味着可以通过这种方式从图像中提取更丰富的特征。为了更好的提升高光谱图像处理过程中特征提取的性能与效率，本文提出了两种基于深度矩阵分解的特征提取算法。 本文具体研究内容如下： （1）基于残差深度NMF的特征提取算法。该算法通过级联多个非负矩阵分解来构建深度特征表示，重构残差逐层传递可以减少特征提取过程中的信息丢失。在层之间传递残差可以构造从粗糙到精细的特征层次。同时，本文在各层之间增加激活函数用以增强非线性特征提取的能力。 （2）基于残差深度PCA的特征提取算法。该算法为多层结构，在每一层对数据使用主成分分析提取该层特征，多层结构可以兼顾浅层特征和深层特征，与此同时获取并保留残差数据，利用残差来减少细节的丢失。最终输出特征是由逐层获取的特征组成。 在实际的高光谱图像数据集上，本文对上述两种算法进行了相关的比对实验。实验结果表明本文中的基于深度矩阵分解的特征提取算法能够有效地提升高光谱图像的分类精度。
NETL