高光譜圖像分類是高光譜遙感技術中重要的研究課題之一,但高光譜圖像多波段多信息的特性所帶來的數(shù)據(jù)冗余、維數(shù)過高等問題給高光譜圖像分類帶來了巨大的挑戰(zhàn)。因此,如何高效的提取和利用高光譜圖像數(shù)據(jù)變得尤其重要。近年來隨著超限學習機(Extreme learning Machine,ELM)的提出,因其學習效率高,泛化能力強的優(yōu)勢迅速進入了研究學者的視野。光譜空間內(nèi)核ELM(Spectral and Spatial Kernel ELM,SSKELM)是傳統(tǒng)ELM算法的改進,在高光譜圖像分類任務中有著較高的分類精度�，F(xiàn)有的SSKELM算法雖然利用了高光譜圖像的空間信息,但未考慮空間信息冗余所帶來的噪聲干擾問題。針對以上分析,本文基于SSKELM分類算法對高光譜圖像特征提取方法進行研究,本文主要工作如下:(1)針對傳統(tǒng)SSKELM算法未對高光譜圖像空間信息進行降噪這一缺陷,提出了一種基于局部二值模式(LBP)和SSKELM的高光譜圖像分類方法。該方法先采用PCA對原始高光譜數(shù)據(jù)進行降維,然后在降維后的數(shù)據(jù)上提取LBP特征,再將此特征作為SSKELM分類算法的輸入。實驗結果證明基于LBP和SSKELM...

【文章頁數(shù)】：77 頁

【學位級別】：碩士

【部分圖文】：

圖1-1本文研究結構圖

SSKELM算法和LBP的相關理論，然后闡述了基于LBP與SSKELM的高光譜圖像分類方法。該方法是通過主成分分析法對原始高光譜數(shù)據(jù)進行降維，接著進行空間特征提取，然后利用SSKELM進行分類學習。最后利用實驗驗證了本章提出的方法的有效性。第4章提出了基于....

圖2-1高光譜不同地物數(shù)據(jù)獲取示意（ShawandBurke，2003）

2.1高光譜圖像分類原理高光譜分辨率高，波段眾多，研究表明，大多數(shù)地物的吸收特征在吸收峰深度一半的位置，其寬度為20-40nm。加之成像光譜系統(tǒng)的光譜分辨率高達5-10nm，因此很多在寬波段遙感中探測不到的物質(zhì)在高光譜中都能輕松的被探測到。并且在同一空間分辨率的條件下，遙感....

圖2-2高光譜圖像分類方法基本流程

圖2-2給出了高光譜圖像監(jiān)督分類方法的基本流程框架：第一步考慮用戶需求，圖像中地物的分辨率、尺度等因素進行高光譜數(shù)據(jù)的選�。坏诙酵ㄟ^輻射糾正、大氣校正等技術進行圖像的預處理，獲取地物正確的光譜信息和幾何信息；第三步圖像數(shù)據(jù)特征或需求目的對地物種類進行確定；第四步選擇足夠多且....

圖2-3主成分變換示意圖

圖2-3主成分變換示意圖數(shù)據(jù)集={,,,}，∈。寫成矩陣形式為：=×，差求解公式=∑()，數(shù)是n-1,這是為了得到方差和協(xié)方差的無偏估計，方差通與其數(shù)學期望之間的偏離程度。由式（2-2）可知，需要對心化處理。則有：=∑，....

本文編號：4038788