答辩公告
我的位置在: 首页 > 答辩公告 > 正文
韦晓辉答辩公告
浏览次数:日期:2019-04-30编辑:研究生教务办1

答辩公告

论文题目

面向高光谱图像分类的特征提取与选择方法研究

答辩人

韦晓辉

指导教师

蔡立军

答辩委员会

主席

李肯立

学科专业

计算机科学与技术

学院

信息科学与工程学院

答辩地点

信科院523

答辩时间

201955

上午830

学位论文简介

高光谱图像反映了不同地物的化学、物理和光学性质,在多个领域得到了广泛应用。本文在分析稀疏编码、流形学习和损失性度量等理论的基础上,结合高光谱图像的固有特性,研究了多种基于特征提取与选择的降维技术。取得了以下主要创新性研究成果:

1) 针对高光谱图像的特征提取,本论文提出了一种融合光谱、空间和标签信息的稀疏编码方法。该方法通过空间划分来分布式地编码高维像素在低维空间的表示,利用融合光谱与标签信息的超图,提高新特征的判别性与鲁棒性。实验结果表明本文方法提取的特征有效地提升了不同地表物的分类精度。

2) 特征提取破坏了光谱数据的物理意义,针对该问题,本文提出了基于矩阵的边缘最大化的特征选择方法。考虑到空间邻近像素通常表示同一地表物,该方法以空间相邻像素为处理对象,结合铰链损失度量和行稀疏范数选择光谱,使不同空间像素在标签空间有尽可能大的类间距。进一步利用图动态地刻画光谱的相关性,减少冗余。实验表明该方法能够兼顾特征的差异性和判别性。

3)本文针对特征选择中标记样本不足与光谱维度高的冲突,提出了基于随机子空间的特征选择方法。该方法首先将光谱集随机划分为多个子空间,利用超边权值自调整的超图,从局部和全局刻画子样本的类别分布及实现局部信息共享。利用在理论上对孤立像素健壮的损失函数,估计光谱特征的价值。分类结果显示该方法对冗余特征不敏感,当选择较多特征时依然能够获得好的分类性能。

4)本文针对大数据背景下的新问题,提出了一种无监督的特征选择方法。该方法将特征选择建模为线性加权的自表示学习,通过对齐局部流形结构来增强特征的代表性。基于缓存向量以流的方式处理动态样本。实验表明该方法具备实时选择的能力。

主要学术成果

[1] Xiaohui Wei, Wen Zhu, Bo Liao, Changlong Gu, Weibiao Li. Multi-information fusion sparse coding with preserving local structure for hyperspectral image classification. Journal of Applied Remote Sensing, 2017, 11(4): 04056-1-04056-22. (SCI四区)

[2] Xiaohui Wei, Wen Zhu, Bo Liao, Lijun Cai. Matrix-based margin-maximization band selection with data-driven diversity for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(12): 7294-7309. (SCI二区, CCF B)

[3] Xiaohui Wei, Wen Zhu, Bo Liao, Lijun Cai. Scalable one-pass self-representation learning for hyperspectral band selection. IEEE Transactions on Geoscience and Remote Sensing, 2019, PP(1): 1-15. (SCI二区, CCF B)