發(fā)布時(shí)間：2017-09-07 03:42

  本文關(guān)鍵詞：高光譜遙感圖像的稀疏表示分類方法研究

  更多相關(guān)文章： 高光譜遙感 圖像分類 稀疏表示 空-譜結(jié)合

【摘要】：在20世紀(jì)80年代,對(duì)地遙感測(cè)觀測(cè)手段由多光譜遙感發(fā)展到了高光譜遙感。高光譜遙感圖像隨即成為對(duì)地觀測(cè)的主要手段之一。高光譜遙感圖像以其達(dá)到納米級(jí)的光譜分辨率,探測(cè)和揭示了許多傳統(tǒng)全色探測(cè)中不可觀測(cè)到的,隱藏在光譜曲線中的地物目標(biāo)特性,因此高光譜圖像在許多領(lǐng)域都得到了廣泛的應(yīng)用,并成為世界上許多國(guó)家對(duì)地遙感系統(tǒng)的重要組成部分。而在高光譜遙感圖像的研究中,高光譜遙感圖像分類是其中的重點(diǎn)和基礎(chǔ)。在機(jī)器學(xué)習(xí)領(lǐng)域,許多用于高光譜圖像分類的算法都被提出。近幾年,作為機(jī)器學(xué)習(xí)領(lǐng)域的熱點(diǎn),稀疏表示也被成功應(yīng)用到了高光譜圖像分類當(dāng)中�；谙∈璞硎镜母吖庾V圖像分類方法從經(jīng)典的利用光譜信息分類開始,演變到目前的空-譜結(jié)合的分類思路。本文就基于稀疏表示在高光譜圖像分類方法方面做了一些研究,包括以下內(nèi)容:(1)針對(duì)經(jīng)典的高光譜圖像稀疏表示分類方法精度不高,時(shí)間復(fù)雜度較高的缺點(diǎn),提出了一種基于字典和波段重組的高光譜圖像稀疏表示分類方法。在該算法中,在算法開始時(shí)使用鄰域均值化預(yù)處理,并在判斷最終分類結(jié)果時(shí)使用多圖K近鄰(k-Nearest Neighbor,KNN)融合策略,以達(dá)到充分利用高光譜圖像空間信息,使空-譜信息相結(jié)合的目的;依照高光譜圖像地物目標(biāo)的光譜特性對(duì)其進(jìn)行波段重組和分割,并與最終使用多圖KNN策略有機(jī)地結(jié)合,以達(dá)到更加充分利用光譜信息的目的。并且簡(jiǎn)化了經(jīng)典的高光譜圖像稀疏表示算法,極大地降低了算法的時(shí)間復(fù)雜度。從實(shí)驗(yàn)結(jié)果來看,該算法時(shí)間復(fù)雜度低,且分類精度高。(2)提出了一種基于帶權(quán)重的像元塊的高光譜稀疏表示分類方法。該方法在現(xiàn)有的高光譜遙感圖像聯(lián)合稀疏表示分類器(Joint Sparse Representation Classifier,JSRC)的基礎(chǔ)之上,對(duì)其中最主要的聯(lián)合稀疏矩陣重建算法:聯(lián)合正交匹配追蹤算法(Simultaneous Orthogonal Matching Pursuit,SOMP)與聯(lián)合子空間追蹤算法(Simultaneous Subspace Pursuit,SSP)進(jìn)行了深入研究,提出了Weighted Pixel Block SOMP(WPB-SOMP)與Weighted Pixel Block SSP(WPB-SSP)算法。這兩種算法分別按照SOMP與SSP本身的特性對(duì)其加以改進(jìn),將分類結(jié)果賦予以待分類像元為中心的像元塊,并利用該像元塊中所有像元的標(biāo)準(zhǔn)差對(duì)該像元塊進(jìn)行權(quán)值的判定。在接下來的計(jì)算中,將待分類像元所屬的全部像元塊按照所分的類別進(jìn)行同類別權(quán)值相加,得到屬于每一類別的像元塊的總權(quán)值,最終用每一類的總權(quán)值進(jìn)行判斷,得到待分類像元最終的分類結(jié)果。該方法利用到了聯(lián)合稀疏矩陣重建算法SOMP與SSP中忽略掉的鄰域像元的類別賦值,并對(duì)其進(jìn)行權(quán)值的判斷,與SOMP與SSP相比,具有更高的分類精度,并且時(shí)間復(fù)雜度增加很少。
【關(guān)鍵詞】：高光譜遙感 圖像分類 稀疏表示 空-譜結(jié)合
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP751
【目錄】：

• 摘要5-7
• ABSTRACT7-12
• 符號(hào)對(duì)照表12-13
• 縮略語對(duì)照表13-16
• 第一章 緒論16-20
• 1.1 課題背景及研究意義16-17
• 1.2 高光譜圖像分類的研究現(xiàn)狀與面臨的問題17-18
• 1.3 論文主要工作和內(nèi)容安排18-20
• 第二章 高光譜圖像稀疏表示分類20-39
• 2.1 引言20
• 2.2 高光譜圖像分類20-26
• 2.2.1 高光譜圖像數(shù)據(jù)表示與分析20-21
• 2.2.2 高光譜圖像特征21
• 2.2.3 高光譜圖像分類方法概述21-26
• 2.3 稀疏表示算法26-31
• 2.3.1 稀疏表示算法原理26-28
• 2.3.2 稀疏表示在高光譜圖像分類中的應(yīng)用28-31
• 2.4 實(shí)驗(yàn)31-38
• 2.4.1 Indian Pines數(shù)據(jù)32-35
• 2.4.2 Pavia校園高光譜遙感圖像實(shí)驗(yàn)35-38
• 2.5 本章小結(jié)38-39
• 第三章 基于字典和波段重組的高光譜圖像稀疏表示分類方法39-60
• 3.1 引言39
• 3.2 基于字典和波段重組的高光譜圖像稀疏表示快速分類方法39-47
• 3.2.1 高光譜圖像預(yù)處理41-42
• 3.2.2 高光譜圖像波段重組42-45
• 3.2.3 基于字典的最近鄰高光譜圖像分類方法45-46
• 3.2.4 n-KNN圖像融合策略46-47
• 3.3 實(shí)驗(yàn)結(jié)果及分析47-59
• 3.3.1 Indian Pines實(shí)驗(yàn)47-53
• 3.3.2 Pavia大學(xué)高光譜遙感圖像實(shí)驗(yàn)53-59
• 3.4 本章小結(jié)59-60
• 第四章 一種基于帶權(quán)重的像元塊的高光譜稀疏表示分類方法60-78
• 4.1 引言60
• 4.2 聯(lián)合稀疏表示分類器JSRC60-63
• 4.3 一種基于帶權(quán)重的像元塊的高光譜稀疏表示分類方法63-66
• 4.3.1 算法原理63-66
• 4.3.2 算法流程66
• 4.4 實(shí)驗(yàn)結(jié)果及分析66-76
• 4.4.1 Indian Pines實(shí)驗(yàn)66-71
• 4.4.2 Pavia校園圖實(shí)驗(yàn)71-76
• 4.5 本章小結(jié)76-78
• 第五章 總結(jié)和展望78-80
• 5.1 論文工作總結(jié)78
• 5.2 未來工作展望78-80
• 參考文獻(xiàn)80-84
• 致謝84-86
• 作者簡(jiǎn)介86-87

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前2條

1 王圓圓;李京;;基于決策樹的高光譜數(shù)據(jù)特征選擇及其對(duì)分類結(jié)果的影響分析[J];遙感學(xué)報(bào);2007年01期

2 錢樂祥,泮學(xué)芹,趙芊;中國(guó)高光譜成像遙感應(yīng)用研究進(jìn)展[J];國(guó)土資源遙感;2004年02期

，

本文編號(hào)：807227