论文部分内容阅读
高光谱图象是新型的遥感数据，其较高的光谱分辨率和空间特性的有效结合使其具有巨大的应用优势和发展潜力。但是，高光谱图象的巨大数据量、成像过程中出现的光谱变化、混合象素等为其数据的分析、处理带来了新的挑战和需求，特别是对分类、目标检测和奇异检测等应用有着很大的影响，以至于目前通常的遥感信息处理技术都难以解决。核机器学习以其优越的复杂数据处理能力，在众多领域中取得了广泛的应用和重视。核机器学习能够通过核映射的形式使得众多的模式识别方法具有非线性数据处理能力，这对处理高光谱图象这类复杂数据具有非常重要的意义。
论文以核机器学习为技术核心，以高光谱图象的分类和目标检测为主要内容，在详细分析高光谱图象数据特性并研究关键的核机器学习算法基础上，开展了针对于大目标(背景)分类、小目标检测和子象素目标奇异检测等方面的具体研究，重点解决了分类和检测中的数据降维、特征提取、混合象素解译、同物异谱和背景干扰抑制等关键技术，提出了适于高光谱图象的、有效的核非线性处理算法。论文的主要创新工作体现在以下三方面：
针对子象素目标的奇异检测，论文提出了解译成分分析—UCA(Unmixing-basedComponentAnalysis)算法。
针对小目标检测，论文提出了一种基于核的不变子空间检测算法—KISD算法。
针对大目标(背景)分类，论文提出了有效的高光谱图象数据非线性特征提取和降维的方法—基于核的非线性子空间投影算法。