本文選題：高光譜圖像分類(lèi) + 特征提取�。� 參考：《遙感學(xué)報(bào)》2017年05期

【摘要】：在樣本數(shù)目稀少情況下實(shí)現(xiàn)高光譜圖像精細(xì)分類(lèi)是個(gè)挑戰(zhàn)性的問(wèn)題。高光譜圖像信噪比提高比較困難,噪聲大小對(duì)分類(lèi)結(jié)果有最直接的影響。利用高光譜圖像相鄰波段之間的相關(guān)性和相鄰像素之間的相關(guān)性,提出多級(jí)降噪濾波的高光譜圖像分類(lèi)方法,通過(guò)改進(jìn)的兩階段稀疏與低秩矩陣分解方法,去除高光譜圖像中能量較高的噪聲,利用主成分分析方法去除高光譜圖像中能量較低的噪聲,引導(dǎo)濾波方法去除分類(lèi)結(jié)果圖中的"椒鹽噪聲"。選取兩幅真實(shí)高光譜圖像進(jìn)行實(shí)驗(yàn),結(jié)果表明,兩階段稀疏與低秩矩陣分解法和主成分分析法兩種降噪方法具有較強(qiáng)的互補(bǔ)性;引導(dǎo)濾波方法使得分類(lèi)圖更加平滑且分類(lèi)精度更高。與其他光譜空間分類(lèi)方法相比,本文方法分類(lèi)精度更高,且在樣本極少時(shí)能獲得很高的分類(lèi)精度。
[Abstract]:It is a challenging problem to realize hyperspectral image fine classification when the number of samples is scarce. It is difficult to improve the signal-to-noise ratio of hyperspectral images, and the noise level has the most direct influence on the classification results. Based on the correlation between adjacent bands and adjacent pixels of hyperspectral images, a multilevel de-noising filtering method for hyperspectral image classification is proposed. The improved two-stage sparse matrix decomposition method and low-rank matrix decomposition method are used to classify hyperspectral images. The noise with high energy in hyperspectral image is removed, the noise with low energy in hyperspectral image is removed by principal component analysis, and the "salt and pepper noise" is removed by guided filtering method. Two real hyperspectral images are selected for experiments. The results show that the two methods of sparse matrix decomposition and low rank matrix decomposition and principal component analysis are complementary to each other. The guided filtering method makes the classification map smoother and the classification accuracy higher. Compared with other spectral spatial classification methods, this method has higher classification accuracy and can obtain high classification accuracy when few samples are available.
【作者單位】： 山東科技大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院;
【基金】：國(guó)家自然科學(xué)基金(編號(hào):41406200) 山東省自然科學(xué)基金(編號(hào):ZR2014DQ030)~~
【分類(lèi)號(hào)】：TP751

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳雨時(shí);張曄;張鈞萍;;基于線性模型最優(yōu)預(yù)測(cè)的高光譜圖像壓縮[J];南京航空航天大學(xué)學(xué)報(bào);2007年03期

2 諶德榮;宮久路;陳乾;曹旭平;;基于樣本分割的快速高光譜圖像異常檢測(cè)支持向量數(shù)據(jù)描述方法[J];兵工學(xué)報(bào);2008年09期

3 蒲曉豐;雷武虎;張林虎;蔣奇材;;基于Fukunaga-Koontz變換的高光譜圖像異常檢測(cè)[J];紅外技術(shù);2010年04期

4 成寶芝;郭宗光;;高光譜圖像波段間相關(guān)特性研究[J];大慶師范學(xué)院學(xué)報(bào);2013年06期

5 楊龍;易宏杰;李因彥;;遙感高光譜圖像赤潮識(shí)別[J];傳感器世界;2007年05期

6 汪倩;陶鵬;;結(jié)合空間信息的高光譜圖像快速分類(lèi)方法[J];微計(jì)算機(jī)信息;2010年21期

7 王立國(guó);孫杰;肖倩;;結(jié)合空-譜信息的高光譜圖像分類(lèi)方法[J];黑龍江大學(xué)自然科學(xué)學(xué)報(bào);2010年06期

8 付歡;龍海南;韓曉霞;;基于冗余字典的高光譜圖像的稀疏分解[J];河北軟件職業(yè)技術(shù)學(xué)院學(xué)報(bào);2013年04期

9 耿修瑞,張霞,陳正超,張兵,鄭蘭芬,童慶禧;一種基于空間連續(xù)性的高光譜圖像分類(lèi)方法[J];紅外與毫米波學(xué)報(bào);2004年04期

10 張綺瑋;機(jī)載高光譜遙感圖像處理軟件系統(tǒng)[J];紅外;2005年02期

相關(guān)會(huì)議論文 前5條

1 張兵;王向偉;鄭蘭芬;童慶禧;;高光譜圖像地物分類(lèi)與識(shí)別研究[A];成像光譜技術(shù)與應(yīng)用研討會(huì)論文集[C];2004年

2 王成;何偉基;陳錢(qián);;基于波段重組和小波變換的高光譜圖像嵌入式壓縮方法[A];黑龍江、江蘇、山東、河南、江西 五省光學(xué)（激光）聯(lián)合學(xué)術(shù)‘13年會(huì)論文（摘要）集[C];2013年

3 孫蕾;羅建書(shū);;基于分類(lèi)預(yù)測(cè)的高光譜遙感圖像無(wú)損壓縮[A];第一屆建立和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2005）論文集[C];2005年

4 張曉紅;張立福;王晉年;童慶禧;;HJ-1A衛(wèi)星高光譜遙感圖像質(zhì)量綜合評(píng)價(jià)[A];第八屆成像光譜技術(shù)與應(yīng)用研討會(huì)暨交叉學(xué)科論壇文集[C];2010年

5 蒲曉豐;雷武虎;黃濤;王迪;;基于穩(wěn)健背景子空間的高光譜圖像異常檢測(cè)[A];中國(guó)光學(xué)學(xué)會(huì)2010年光學(xué)大會(huì)論文集[C];2010年

相關(guān)博士學(xué)位論文 前10條

1 普晗曄;高光譜遙感圖像的解混理論和方法研究[D];復(fù)旦大學(xué);2014年

2 賀智;改進(jìn)的經(jīng)驗(yàn)?zāi)B(tài)分解算法及其在高光譜圖像分類(lèi)中的應(yīng)用[D];哈爾濱工業(yè)大學(xué);2014年

3 葉珍;高光譜圖像特征提取與分類(lèi)算法研究[D];西北工業(yè)大學(xué);2015年

4 馮婕;基于軟計(jì)算和互信息理論的遙感圖像地物分類(lèi)[D];西安電子科技大學(xué);2014年

5 曲海成;面向光譜解混的高光譜圖像快速處理技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2016年

6 王忠良;基于線性混合模型的高光譜圖像壓縮感知研究[D];西北工業(yè)大學(xué);2015年

7 賀霖;高光譜圖像自動(dòng)目標(biāo)檢測(cè)技術(shù)研究[D];西北工業(yè)大學(xué);2007年

8 周爽;蟻群算法在高光譜圖像降維和分類(lèi)中的應(yīng)用研究[D];哈爾濱工業(yè)大學(xué);2010年

9 高恒振;高光譜遙感圖像分類(lèi)技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2011年

10 徐速;基于壓縮感知的高光譜圖像稀疏解混方法研究[D];重慶大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 王啟聰;高光譜圖像分類(lèi)的GPU并行優(yōu)化研究[D];南京理工大學(xué);2015年

2 程凱;無(wú)先驗(yàn)信息的高光譜圖像小目標(biāo)檢測(cè)算法研究[D];蘇州大學(xué);2015年

3 吳蓓芬;偏振高光譜圖像場(chǎng)景仿真及分類(lèi)方法研究[D];哈爾濱工業(yè)大學(xué);2015年

4 霍瑩;高光譜CCD機(jī)載相機(jī)檢測(cè)設(shè)備研制[D];長(zhǎng)春理工大學(xué);2015年

5 王磊;基于張量的高光譜遙感圖像壓縮研究[D];復(fù)旦大學(xué);2014年

6 鄔文慧;空譜聯(lián)合高光譜遙感圖像半監(jiān)督分類(lèi)[D];西安電子科技大學(xué);2014年

7 王依萍;基于主動(dòng)學(xué)習(xí)的高光譜圖像分類(lèi)方法研究[D];西安電子科技大學(xué);2014年

8 劉嘉慧;基于稀疏表示的高光譜圖像分類(lèi)和解混方法研究[D];西安電子科技大學(xué);2014年

9 王U喺，

本文編號(hào)：1842913