隨著技術的發(fā)展,傳感器的分辨率逐漸提高,獲得的高光譜圖像可以提供更加詳細的特征類別信息,其分類技術已成為遙感領域研究的重要組成部分。人們一直在不斷優(yōu)化和改進分類器并取得了良好的效果。然而,由于高光譜數據的高維非線性,波段之間的高相關性以及較少的標記樣本等一系列因素,對高光譜圖像的分類提出了重大挑戰(zhàn)。因此,由于已標記樣本很少,如何準確并且快速地將高光譜圖像進行分類逐漸成為研究的熱點。半監(jiān)督算法不僅利用已標記樣本的信息,還利用未標記樣本的信息來緩解訓練樣本引起的欠擬合問題。針對上述問題,本文在改進分類器的基礎上,深入研究了半監(jiān)督算法,提出了一種新的半監(jiān)督分類算法。1、提出一種結合波段選擇的半監(jiān)督分類算法。該方法首先通過波段選擇方法,去除高光譜圖像中的冗余信息,進而降低復雜度和提高泛化能力;然后通過差分進化算法交叉變異未標記樣本,并選擇具有高置信度的樣本擴展到已標記樣本組中以提高分類準確性。實驗結果表明,該方法能夠有效地提升在小樣本情況下分類器的分類精度與分類速度。2、在波段選擇的基礎上,提出一種結合空間信息的半監(jiān)督分類算法。利用實際地物在一定區(qū)域內具有空間連貫性的特點,同時將空間信息融入分...

【文章頁數】：69 頁

【學位級別】：碩士

【部分圖文】：

圖1.2Pavia學院圖像(a)假彩色合成圖像RGB:17,27,50(b)參考地物圖

第1章緒論表1.2Pavia工程學院高光譜圖像9類地物示意圖編號地物名稱樣本個數1Asphalt66412Meadows186493Gravel20994Trees30645MetalSheets13456Soil50297Bitu....

圖3.1算3.3實驗內容3.3.1數據介紹為驗證算法有效性，本章選取1.4節(jié)介紹數據集和Pavia工程學院數據集進行實驗，

3.3實驗內容3.3.1數據介紹為驗證算法有效性，本章選取1.4節(jié)介數據集和Pavia工程學院數據集進行實驗，兩數據集進行試驗樣本選取，隨機選擇其中譜圖像八個主要類別包括Corn-notill，hay-windrowed，Soybeans-notill，Whea....

圖32八個類別的參考地物圖

參數設置件：電腦處理器為Intel(R)Core(TM)i7-4720HQs10操作系統(tǒng)，仿真軟件為matlab2018a。價準則有：每個類別的分類精度、總體分類精（AverageAccuracy,AA）、Kappa系數。，m即類別數，iim即i類分類正確的樣本數....

圖3.3IndianPines數據集四種方法的分類結果圖

標準SVM、結合邊緣采樣算法的SVM_MS（SVM法的DE_LSTSVM和本文算法四種分類算法的其中10個為已標記樣本，剩下的是測試樣本，ndianPines高光譜圖像進行分類，表3.1給出了Kappa系數和運行時間。從表3.1可以看出分類性能明顯好于....

本文編號：3941867