【摘要】：目前,高光譜遙感技術已經(jīng)相對成熟,高光譜圖像具有的高分辨率和圖譜合一等特點讓高光譜圖像在很多領域都得到了廣泛的應用。高光譜圖像分類技術作為高光譜遙感技術之一,也受到了眾多學者的關注。不同于傳統(tǒng)彩色圖像或多光譜圖像,高光譜圖像具有很高的光譜分辨率,為地物識別提供了很好的依據(jù)。但是較高的光譜分辨率也帶來了一些困難,數(shù)據(jù)量大、信息冗余等現(xiàn)象都為高光譜圖像分類造成了一定困難。與此同時,由于對圖像中樣本點進行人工標記費時費力,如何在很少數(shù)量的已標記樣本前提下得到理想的分類結(jié)果是高光譜圖像分類方法研究中的一項難點。近些年研究表明,在根據(jù)樣本的光譜信息進行分類時引入空間信息能有效地提高最終的分類精度,但如何有效地利用空間信息來提高精度也是一個難點。針對上述幾個問題,本文提出了以下幾種將空間信息與光譜信息結(jié)合的分類技術。具體研究內(nèi)容如下:(1)提出了一種基于空間坐標與光譜特征融合的高光譜圖像分類方法,首先對光譜信息進行主成分分析并取部分數(shù)據(jù)作為光譜特征,接著以樣本的空間坐標為特征進行有監(jiān)督分類并輸出樣本的概率特征,同時對光譜特征進行分類并得到的相應概率特征,最后以兩種概率特征融合后的新特征為依據(jù)進行有監(jiān)督分類,獲得最終的分類結(jié)果。該方法利用樣本的空間坐標來將空間信息加入到分類過程中,并通過分類器特性轉(zhuǎn)化成概率特征,便于與光譜信息進行特征融合分析,最終該方法通過特征融合的方法分析空間信息與光譜信息。與其他結(jié)合空間信息的方法相比,該方法的分類精度更高,且運算時間更少。(2)提出了一種基于主動學習與空間坐標的高光譜圖像分類方法。以空間坐標為特征的有監(jiān)督分類結(jié)果與訓練樣本點的空間位置有很大關系。依據(jù)這一特點,將主動學習的方法與空間坐標特征結(jié)合起來。通過采樣策略挑選出對光譜特征分類器和空間坐標分類器而言不確定性均較大的樣本進行人工標記,并重新訓練分類器,使得分類器性能快速提高,最終將光譜特征與空間坐標融合分析與分類,使得算法能在短時間內(nèi)使用小數(shù)量訓練樣本得到很高的分類精度。(3)提出了一種基于集成學習與空間坐標的高光譜圖像分類方法。該方法首先通過每一個基分類器分類得到的一組樣本隸屬于每一個類別的概率值,接著將每一組基分類器獲得的概率值分別與基于空間坐標特征分類獲得的樣本概率值相乘,然后將相乘后的概率值再彼此相乘得到樣本最終隸屬于每一個類別的概率值,選出最大概率值對應的類別為樣本的類別標簽,繼而得到高光譜圖像分類結(jié)果。該方法將空間坐標與集成學習方法融合到一起,使每一個基分類器的分類結(jié)果都引入空間信息,從而提高了最終的分類精度。
【圖文】：

西安電子科技大學碩士學位論文2圖1.1 高光譜遙感圖像上不同地物的光譜曲線[4]1.2 高光譜圖像分類的研究現(xiàn)狀1.2.1 高光譜圖像分類的研究現(xiàn)狀不同于普通彩色圖像和多光譜圖像，高光譜圖像具有更加豐富的信息，為地物的分類與識別帶來了極大的方便。在 20 世紀 80 年代美國發(fā)明第一臺光譜儀 AIS[10]后，高光譜圖像帶來的便利讓很多國家都開始加入到高光譜遙感技術研究中來。我國也投入了大量的人力物力來研發(fā)高光譜遙感技術，成功研制了許多成像光譜儀，如 OMIS、PHI 等。這些成像光譜儀有許多已經(jīng)在各個領域得到了實際應用。分類問題是遙感圖像處理技術領域中常見的問題之一。在高光譜圖像分類方法的研究前期，主要以基于光譜信息的特征為主。常見的分類方法通�？梢詺w為兩種：有監(jiān) 督 分 類 方 法 (Supervised Classification) 和 無 監(jiān) 督 分 類 方 法 (UnsupervisedClassification)。無監(jiān)督分類方法的主要思想是在沒有先驗知識作為輔助的前提下，依靠數(shù)據(jù)的統(tǒng)計特征等直接對樣本進行歸類，最后再對各類的地物屬性標簽進行確認。

西安電子科技大學碩士學位論文8圖2.1 高光譜圖像數(shù)據(jù)結(jié)構(gòu)[3]2.3 支持向量機支持向量機是建立在統(tǒng)計學習理論的 VC 維理論[23]和結(jié)構(gòu)風險最小化原理[24]的基礎之上的，，這使得 SVM 能在小規(guī)模訓練樣本集的情況下獲得良好的分類效果。同時 SVM 具有的高泛化能力和抗噪聲能力，使它成為應用最為廣泛的分類器之一。SVM 的基礎模型是一種二分類模型，它的主要思路是在特征空間去求一個最優(yōu)的分類超平面，使得兩類樣本能夠無誤地分開并保證分類超平面兩側(cè)樣本之間的分類間隔最大。對于包含 n 個樣本的訓練集 , tr i iX x y，dix R， 1,1iy ，i 1, 2, ,n。其中
【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】：2018
【分類號】：TP751

【參考文獻】

相關期刊論文 前3條

1 李寵;谷瓊;蔡之華;吳瓊;;改進的主動學習算法及在高光譜分類中的應用[J];華中科技大學學報(自然科學版);2013年S2期

2 張春霞;張講社;;選擇性集成學習算法綜述[J];計算機學報;2011年08期

3 袁迎輝;林子瑜;;高光譜遙感技術綜述[J];中國水運(學術版);2007年08期

本文編號：2593327