本文關(guān)鍵詞：基于高斯過程的高光譜圖像分類算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：由于高光譜圖像具有高維非線性,像元混合嚴(yán)重,信息冗余等特點(diǎn),使得其圖像處理相當(dāng)復(fù)雜。為了能夠避免高光譜數(shù)據(jù)處理過程中,出現(xiàn)的Hughes現(xiàn)象,即維數(shù)災(zāi)難,將高斯過程分類(Gaussian Process Classifier,GPC)引入其中。高斯過程分類(Gaussian Process Classifier,GPC)是一種,在貝葉斯(Bayesian)框架下的概率化分類算法,是貝葉斯完全概率化表達(dá),已經(jīng)成功用于模式識(shí)別與軟工業(yè)測量等領(lǐng)域。本文在高斯過程的基礎(chǔ)上,以高光譜數(shù)據(jù)為背景,對高光譜圖像高斯過程分類算法進(jìn)行深入研究。本文針對高光譜圖像分類的主要工作如下:1.介紹高斯過程基本原理,簡要分析分類的基礎(chǔ)理論,高光譜圖像的特點(diǎn),給出了圖像分類的評價(jià)指標(biāo)體系,同時(shí)給出了高斯過程高光譜分類模型。2.以拉普拉斯近似化方法下為例,介紹直接法多類分類算法。以二類分類為基礎(chǔ)進(jìn)行高光譜圖像分類,提出一種間接多目標(biāo)分類方法即二對二高斯過程多目標(biāo)分類。以二類分類為基礎(chǔ)的高光譜圖像在算法實(shí)現(xiàn)上比較簡潔,優(yōu)化二類分類的同時(shí),即意味著優(yōu)化多類分類。3.在分析核函數(shù)的不同特點(diǎn)的基礎(chǔ)上,給出了幾種組合核函數(shù),并將其用于高光譜圖像分類中,取得了一定效果。組合核函數(shù)的優(yōu)點(diǎn)在于:依據(jù)不同性能的核函數(shù)組合而成的新構(gòu)造的核函數(shù)既擁有局部性能更好核函數(shù)的學(xué)習(xí)能力,又能夠擁有全局性能較好核函數(shù)的更好的推廣能力。4.介紹了Parzen窗似然估計(jì)的基本原理,再結(jié)合組合核函數(shù),提出Parzen窗組合函數(shù)高斯過程分類算法,應(yīng)用到高光譜分類中,并取得一定效果。
【關(guān)鍵詞】：高斯過程 貝葉斯估計(jì) 組合核函數(shù) 高光譜圖像分類 Parzen窗
【學(xué)位授予單位】：東華理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：P237
【目錄】：

• 摘要3-4
• Abstract4-8
• 1 緒論8-16
• 1.1 研究背景8-9
• 1.2 國內(nèi)外研究現(xiàn)狀9-13
• 1.2.1 高光譜圖像分類技術(shù)研究現(xiàn)狀9-12
• 1.2.2 高斯過程研究現(xiàn)狀12-13
• 1.3 本文研究的主要目的及內(nèi)容13-16
• 2 基于高斯過程的高光譜圖像分類算法16-24
• 2.1 高斯過程基本原理16-18
• 2.1.1 機(jī)器學(xué)習(xí)理論16-17
• 2.1.2 貝葉斯理論17-18
• 2.1.3 高斯過程原理18
• 2.2 分類決策理論18-19
• 2.3 高光譜圖像的特性19-20
• 2.4 分類精度評價(jià)體系20-21
• 2.5 高斯過程高光譜圖像分類算法21-23
• 2.6 本章小結(jié)23-24
• 3 基于多目標(biāo)策略高斯過程的高光譜圖像分類模型24-32
• 3.1 直接高斯過程多類分類算法24-27
• 3.2 間接高斯過程多類分類算法27-28
• 3.3 實(shí)驗(yàn)結(jié)果與分析28-31
• 3.4 本章小結(jié)31-32
• 4 基于組合核函數(shù)高斯過程的高光譜圖像分類模型32-42
• 4.1 核函數(shù)的含義32-34
• 4.1.1 核函數(shù)的性質(zhì)32-33
• 4.1.2 核函數(shù)分類33-34
• 4.2 組合核函數(shù)34
• 4.3 基于組合核函數(shù)高斯過程的高光譜圖像算法34-37
• 4.3.1 后驗(yàn)分布的求取34-35
• 4.3.2 待測樣本的估計(jì)35-36
• 4.3.3 邊界似然的計(jì)算36-37
• 4.4 實(shí)驗(yàn)結(jié)果與分析37-40
• 4.5 本章小結(jié)40-42
• 5 基于Parzen窗-組合核函數(shù)高斯過程高光譜圖像分類模型42-52
• 5.1 Parzen窗估計(jì)法原理42-43
• 5.2 基于Parzen窗-組合核函數(shù)高斯過程高光譜分類算法43-48
• 5.2.1 后驗(yàn)概率的估計(jì)44-45
• 5.2.2 潛變函數(shù)的學(xué)習(xí)45-47
• 5.2.3 預(yù)測階段47-48
• 5.3 實(shí)驗(yàn)結(jié)果與分析48-50
• 5.4 本章小結(jié)50-52
• 6 結(jié)論與展望52-54
• 6.1 結(jié)論52
• 6.2 展望52-54
• 致謝54-56
• 參考文獻(xiàn)56-58

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 擺玉龍;楊志民;;基于Parzen窗法的貝葉斯參數(shù)估計(jì)[J];計(jì)算機(jī)工程與應(yīng)用;2007年07期

  本文關(guān)鍵詞：基于高斯過程的高光譜圖像分類算法研究，，由筆耕文化傳播整理發(fā)布。

本文編號：378068