本文關鍵詞：基于子空間學習的高光譜影像地物分類

  更多相關文章： 高光譜影像 地物分類 組稀疏編碼 空間拉普拉斯圖正則 線性回歸 子空間學習 半監(jiān)督學習

【摘要】：近年來,隨著遙感技術的迅猛發(fā)展,人們可以獲取大量的高光譜影像數(shù)據(jù),高光譜影像數(shù)據(jù)能夠同時獲取地物的光譜特征信息和空間特征信息,可對地物進行精細分類。高光譜影像數(shù)據(jù)中光譜信息和空間信息很豐富,但樣本維數(shù)很高,波段間信息冗余,數(shù)據(jù)海量,但有標記的樣本數(shù)量很少。針對以上問題,本文進行較為深入研究,成果如下:1.提出了一種基于子空間學習和稀疏編碼的高光譜影像地物分類方法。該算法把高光譜影像數(shù)據(jù)投影到低維子空間和組稀疏編碼集成到統(tǒng)一框架內(nèi),這樣可以保證投影子空間是最優(yōu)的,并且引入這一反應空間特征信息的約束,使得特征編碼不僅具有整體稀疏性,并且保留了空間特征信息。仿真實驗結果表明:基于子空間學習和稀疏編碼的高光譜影像地物分類算法能夠大大提高分類精度,并減少時間。2.提出了一種基于稀疏低秩回歸的高光譜影像地物分類方法。該算法把高光譜影像數(shù)據(jù)投影到線性鑒別分析的子空間里,在子空間里做組Lasso回歸,充分利用了高光譜影像數(shù)據(jù)的類別信息,使高維數(shù)據(jù)經(jīng)過低維映射后具有較好的可分性,挖掘高光譜影像數(shù)據(jù)的全局結構和內(nèi)部本質(zhì)。所以該算法能夠得到較高的分類精度。在實際高光譜數(shù)據(jù)集上進行的仿真實驗驗證了該算法的性能。3.提出了一種基于虛擬標簽回歸的半監(jiān)督高光譜影像地物分類方法。半監(jiān)督分類方法能充分利用無標記樣本,有效的克服樣本標記不足的問題。但是無標記樣本一旦被錯誤分類,這種錯誤在后續(xù)標記傳遞過程中將會被延續(xù)甚至擴大。該算法通過隨機游走獲取虛擬標簽,虛擬標簽能夠檢測出高光譜影像數(shù)據(jù)的異常值和半監(jiān)督算法中訓練樣本標記不全,避免標記被錯誤傳遞。實驗結果表明:基于虛擬標簽回歸的高光譜數(shù)據(jù)分類算法,能夠大大提高準確率,具有很好的魯棒性。實驗結果表明,本文提出的模型及方法有效地提高高光譜遙感影像像分類性能。最后論文對本文工作進行總結,并指出今后需要進一步研究的內(nèi)容。
【學位授予單位】：西安電子科技大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP751

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前3條

1 陳進;王潤生;;高斯最大似然分類在高光譜分類中的應用研究[J];計算機應用;2006年08期

2 何國光,朱萍,曹志彤,陳宏平;混沌神經(jīng)網(wǎng)絡的Lyapunov指數(shù)與混沌區(qū)域[J];浙江大學學報(理學版);2004年04期

3 楊哲海,韓建峰,宮大鵬,李之歆;高光譜遙感技術的發(fā)展與應用[J];海洋測繪;2003年06期

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 徐曉華;圖上的隨機游走學習[D];南京航空航天大學;2008年

，

本文編號：1158166