發(fā)布時間：2020-03-25 01:58

【摘要】：高光譜圖像波段覆蓋范圍廣,光譜分辨率高,蘊含了豐富且精細的空間和光譜信息,具有較強的對相似地物類別精確識別的能力。目前高光譜圖像已經廣泛應用于精準農業(yè)、礦物、大氣科學以及軍事等領域。但是高光譜圖像的高維特性和波段間的高相關性,使得高光譜圖像在應用中面臨著數據量大、信息高度冗余的挑戰(zhàn)。如何更好地應對這些挑戰(zhàn),發(fā)揮高光譜圖像的優(yōu)勢,從而提升高光譜圖像的分類精度,成為了高光譜圖像分類領域的聚焦點。針對高光譜圖像相鄰波段間的高度相關性,目前的方法主要使用波段選擇或者特征提取等降維技術進行處理。但是這些方法存在以下局限性:一是波段利用率較低,而且經過降維后的光譜信息質量依賴于合理的降維率或合適的波段數目,光譜質量存在不確定性;二是沒有利用波段間的相關性,而是將這種相關性視為干擾信息進行去除,造成原始光譜信息的損失,缺乏對相關信息的合理分析及使用。本文著眼于高光譜圖像的稀疏特性和相鄰波帶間的相關性,結合稀疏表示和機器學習中的多任務學習方法,構建了多任務聯(lián)合稀疏表示分類算法,主要優(yōu)勢為:一、算法中使用了全部的波段信息,保留了原始光譜特征,提高了波段利用率;二、降低了子數據集的光譜維度,有效減少了子數據集內的光譜冗余;三、充分利用了圖像的帶間相關性,有效挖掘了光譜信息。本文具體的研究內容如下:(1)基于高光譜圖像波段間的相關性,采用交叉分組策略將高度相關的相鄰波段劃分到了不同的子數據集,從而構建了多個相關的子數據集,每個子數據集對應一個子任務。在分組過程中,僅是對所有波段信息進行了重組,在保留了原始的光譜信息的同時,降低子數據集的維度和冗余度。(2)構建多任務共享稀疏結構,提出了多任務聯(lián)合稀疏表示分類算法�；诟吖庾V圖像的稀疏性,對每個子任務建立各自的稀疏表示模型。其次基于子任務間的相關性,使用?",$混合正則化約束集成多個子任務模型,構建了具有較高魯棒性的共享稀疏結構,從而建立了多任務聯(lián)合稀疏表示模型。多任務聯(lián)合稀疏表示模型使得多個任務間能夠共享一個公共的稀疏模式,從而提取不同任務的交叉特征信息,實現(xiàn)特征共享和信息互補。該模型在集成多個任務的同時集成了所有的原始波段信息,提高了波段利用率,提供了更多的判別信息。接著,使用加速近端梯度算法優(yōu)化求解模型的非凸優(yōu)化問題,得到多個任務的權重向量。最后利用多個任務的累計殘差構建分類器。(3)基于兩組公開數據集進行了實驗設計,分析了算法的分類效果,驗證了多任務聯(lián)合稀疏表示分類算法的有效性。實驗中分析了交叉分組得到的多個任務間的相關性,解釋了這種相關性對算法的影響。同時設計了六組對比實驗,通過對比分類結果驗證了多任務聯(lián)合稀疏表示算法分類性能的優(yōu)越性。最后對算法中的兩個關鍵參數進行了實驗分析,說明了算法性能隨參數設置的變化規(guī)律。
【圖文】：

基于多任務聯(lián)合稀疏表示的高光譜圖像分類算法研究[5]，數百個波段為波段之間信息的相互校正提供了便利。有光譜相關性、空間相關性。高光譜圖像是光譜平滑和空說相鄰位置和波長的值是高度相關的[9][34]。而同類地物光其像元通常會映射到一個低維子空間，該空間內的每一個幾個基向量近似地稀疏表示。譜合一”。高光譜圖像同時蘊含了目標的二維幾何空間與豐富且精細的空間及光譜信息的特性，這種特性稱為“圖

維護一組 個索引，，在每次迭代中通過將 個新候選項添加到當前列表中，然后從 2 候選項列表中丟棄 個不重要的候選項，來優(yōu)化索引集。利用回溯機制，SP可以找到 個最重要的原子。2.2 高光譜圖像的分類精度評價指標2.2.1 定性評價 分類結果圖對比是一種較為直觀評估分類器性能的方法。通過對比分類器預測的地物類別標簽圖和原始數據集地物標簽參考圖，可以反映分類器能夠很好地區(qū)分哪些類別，哪些類別嚴重混淆。如圖 2.4 所示，可以較為明顯的看出圖 2.4(c)的效果優(yōu)于圖 2.4(b)的效果。此外，通過對分類結果圖像的觀察能夠發(fā)現(xiàn)圖像是過平滑、平滑或有“空洞現(xiàn)象”[4]。使用結果圖像表征和對比結果最為直觀，但只是評價分類優(yōu)劣的輔助手段，更精確的評估則需要定量評價。
【學位授予單位】：中國科學院大學(中國科學院國家空間科學中心)
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP751

【相似文獻】

相關期刊論文 前10條

1 Fang LI;Jia SHENG;San-yuan ZHANG;;基于稀疏表示的拉普拉斯稀疏字典圖像分類（英文）[J];Frontiers of Information Technology & Electronic Engineering;2017年11期

2 黃宏圖;畢篤彥;侯志強;胡長城;高山;查宇飛;庫濤;;基于稀疏表示的視頻目標跟蹤研究綜述[J];自動化學報;2018年10期

3 劉嘎瓊;;改進稀疏表示的人臉識別在高校管理中的應用[J];計算機與數字工程;2018年11期

4 余慶輝;朱晗琰;吳海霞;戈曉玲;潘逸煒;;基于類內稀疏表示的人臉識別[J];科技展望;2015年32期

5 滕升華;商勝楠;王芳;趙增順;;一種基于復合稀疏表示的阿爾茨海默病的診斷方法[J];生物醫(yī)學工程研究;2016年01期

6 黃宏圖;畢篤彥;高山;查宇飛;侯志強;;基于局部敏感核稀疏表示的視頻跟蹤[J];電子與信息學報;2016年04期

7 張保慶;穆志純;曾慧;;基于非負稀疏表示的遮擋人耳識別[J];計算機輔助設計與圖形學學報;2014年08期

8 張石清;趙小明;樓宋江;闖躍龍;郭文平;陳盈;;一種局部敏感的核稀疏表示分類算法[J];光電子.激光;2014年09期

9 陳思寶;許立仙;羅斌;;基于多重核的稀疏表示分類[J];電子學報;2014年09期

10 李映;張艷寧;許星;;基于信號稀疏表示的形態(tài)成分分析:進展和展望[J];電子學報;2009年01期

相關會議論文 前10條

1 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標識別[A];2013年中國智能自動化學術會議論文集（第五分冊）[C];2013年

2 楊寶;朱啟兵;黃敏;;基于非負矩陣分解一稀疏表示分類的玻璃缺陷圖像識別[A];第24屆中國控制與決策會議論文集[C];2012年

3 田野;張立新;嚴濤;楊志梅;張茁;;基于稀疏表示的北斗導航衛(wèi)星預失真濾波器設計方法[A];第九屆中國衛(wèi)星導航學術年會論文集——S08 測試評估技術[C];2018年

4 肖瓊;黃永言;;稀疏表示在腦電信號處理中的應用研究現(xiàn)狀[A];人-機-環(huán)境系統(tǒng)工程創(chuàng)立30周年紀念大會暨第十一屆人-機-環(huán)境系統(tǒng)工程大會論文集[C];2011年

5 趙雪峰;孫成禹;;基于稀疏表示的地震多屬性融合[A];2016中國地球科學聯(lián)合學術年會論文集（十九）——專題40：油氣田與煤田地球物理勘探[C];2016年

6 廖佳俊;劉志剛;蔡尚;姜江軍;;基于非負—平滑約束的高光譜稀疏表示目標檢測算法研究[A];國家安全地球物理叢書（十二）——地球物理與信息感知[C];2016年

7 蒙紅英;柴昱洲;韓宇;;一種基于稀疏表示的JPEG-LS改進算法[A];第四屆高分辨率對地觀測學術年會論文集[C];2017年

8 柴漢超;郭翌;汪源源;曹萬里;孫�？�;;基于多尺度稀疏表示分割腎上腺腫瘤CT圖像[A];儀器儀表學報（2015（增刊）第36卷）[C];2015年

9 杜蘭;李晨;孫永光;;基于聯(lián)合動態(tài)稀疏表示的SAR自動目標識別[A];第五屆高分辨率對地觀測學術年會論文集[C];2018年

10 余力;郭翌;汪源源;陳萍;;基于超聲心動圖序列的胎兒左心室分割[A];儀器儀表學報（2015（增刊）第36卷）[C];2015年

相關博士學位論文 前10條

1 張巖;基于稀疏表示的油氣地震勘探數據重建與去噪方法研究[D];東北石油大學;2018年

2 趙永紅;基于稀疏表示的陣列信號空間譜估計方法研究[D];西安電子科技大學;2017年

3 任博;基于稀疏表示和流形學習的SAR圖像分類算法研究[D];西安電子科技大學;2017年

4 程增飛;基于壓縮感知的陣列信號處理技術研究[D];西安電子科技大學;2017年

5 吳曉歡;基于稀疏表示的波達方向估計理論與方法研究[D];南京郵電大學;2017年

6 王秀紅;基于稀疏表示的波達方向估計方法研究[D];哈爾濱工業(yè)大學;2017年

7 王曉陽;基于稀疏動態(tài)反演的紅外弱小目標檢測理論及方法研究[D];電子科技大學;2018年

8 孔波;基于稀疏和張量表示的通信雷達融合系統(tǒng)目標參數估計方法研究[D];南昌大學;2019年

9 王蒙;聯(lián)合多重字典結合擴展稀疏表示的非約束人臉識別研究[D];燕山大學;2018年

10 劉晶晶;基于稀疏表示及字典學習的人臉檢測與識別方法[D];上海大學;2018年

相關碩士學位論文 前10條

1 陳敏霞;基于拉普拉斯和稀疏表示的圖像色彩重建問題研究[D];南昌航空大學;2019年

2 宋雷雷;基于稀疏表示的人臉識別算法的研究[D];西安理工大學;2014年

3 邱賀磊;基于稀疏表示的視覺跟蹤方法[D];大連大學;2019年

4 胡玉潔;基于稀疏表示的OFDM信號帶內干擾抑制方法研究[D];西安理工大學;2019年

5 周熊;時頻重疊通信信號稀疏表示分離方法研究[D];西安理工大學;2019年

6 賈立麗;基于多任務聯(lián)合稀疏表示的高光譜圖像分類算法研究[D];中國科學院大學(中國科學院國家空間科學中心);2019年

7 秦子雨;基于稀疏表示的高分辨率方法研究[D];西南石油大學;2018年

8 顧康康;基于多普勒原子稀疏表示的列車軸承軌邊信號消噪研究[D];安徽大學;2019年

9 高潔;基于稀疏表示的人臉識別研究[D];北京建筑大學;2019年

10 鮑東海;基于壓縮感知的監(jiān)控視頻稀疏表示與字典設計研究[D];浙江工業(yè)大學;2018年

本文編號：2599211