本文關(guān)鍵詞：基于主動學(xué)習(xí)的高光譜遙感圖像異常檢測

  更多相關(guān)文章： 高光譜圖像 異常檢測 主動學(xué)習(xí) 支持向量數(shù)據(jù)描述

【摘要】：高光譜遙感是一種新型的遙感技術(shù),興起于上世紀(jì)80年代,由于它能夠提供地物更為詳細(xì)的信息,使得傳統(tǒng)多光譜遙感探測不到的信息能夠被探測到。高光譜遙感目標(biāo)探測分為目標(biāo)檢測和異常檢測兩種,與目標(biāo)檢測相比,異常檢測算法能在無先驗信息的情況下將與周圍背景環(huán)境存在顯著光譜差異的異常目標(biāo)檢測出來,具有較強實用性,因此成為一大研究熱點。 論文提出了基于主動學(xué)習(xí)的支持向量數(shù)據(jù)描述(Support Vector Data Description, SVDD)異常檢測算法,針對傳統(tǒng)SVDD算法在背景建模時樣本選擇的隨機性使得算法計算量大的問題,引進機器學(xué)習(xí)中的主動學(xué)習(xí)思想,優(yōu)化訓(xùn)練樣本選擇,主動選取那些對于異常檢測算法的構(gòu)建有用的樣本。用仿真數(shù)據(jù)對本文的算法和傳統(tǒng)SVDD異常檢測算法進行實驗,結(jié)果證明本文提出的算法能夠大大降低異常檢測所需時間。 論文提出了結(jié)合鄰域聚類分割的主動學(xué)習(xí)SVDD異常檢測算法,進一步研究了主動學(xué)習(xí)降低異常檢測算法復(fù)雜度的作用。在進行檢測前先對遙感圖像進行鄰域聚類分割能夠得到潛在異常像元,再利用SVDD算法對潛在異常像元進行檢測,這樣能夠降低算法復(fù)雜度。此外,將主動學(xué)習(xí)引進結(jié)合鄰域聚類分割的SVDD算法,仿真實驗和真實航空可見光近紅外成像儀(Airborne Visible Infrared Imaging Spectrometer, AVIRIS)數(shù)據(jù)進行的實驗證明,與結(jié)合鄰域聚類分割的SVDD算法相比,結(jié)合鄰域聚類分割的主動學(xué)習(xí)SVDD算法能使算法的計算復(fù)雜度大大降低。
【關(guān)鍵詞】：高光譜圖像 異常檢測 主動學(xué)習(xí) 支持向量數(shù)據(jù)描述
【學(xué)位授予單位】：首都師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TP751;P237
【目錄】：

• 摘要4-5
• Abstract5-8
• 圖目錄8-9
• 表目錄9-10
• 第一章 緒論10-18
• 1.1 研究背景及意義10-12
• 1.2 高光譜遙感圖像異常檢測研究現(xiàn)狀12-15
• 1.3 主動學(xué)習(xí)研究現(xiàn)狀15-16
• 1.4 主要研究內(nèi)容16-18
• 第二章 高光譜圖像異常檢測基本理論18-25
• 2.1 高光譜遙感圖像數(shù)據(jù)的描述方式18-22
• 2.2 高光譜圖像數(shù)據(jù)特性22
• 2.3 高光譜圖像異常檢測理論知識22-24
• 2.3.1 異常檢測的概念23-24
• 2.3.2 異常檢測算法性能的判定方法24
• 2.4 本章小結(jié)24-25
• 第三章 基于主動學(xué)習(xí)的SVDD異常檢測25-40
• 3.1 SVDD異常檢測算法25-32
• 3.1.1 核參數(shù)σ估算方法26-29
• 3.1.2 尋找最優(yōu)超球29-30
• 3.1.3 引入松弛變量30
• 3.1.4 解決優(yōu)化問題30-32
• 3.2 主動學(xué)習(xí)算法思想32-34
• 3.2.1 主動學(xué)習(xí)的樣本選擇策略33-34
• 3.3 基于主動學(xué)習(xí)的SVDD異常檢測算法34-35
• 3.4 仿真實驗及結(jié)果分析35-38
• 3.4.1 仿真數(shù)據(jù)生成35-36
• 3.4.2 仿真數(shù)據(jù)實驗結(jié)果分析36-38
• 3.5 本章小結(jié)38-40
• 第四章 結(jié)合鄰域聚類分割的主動學(xué)習(xí)SVDD異常檢測40-46
• 4.1 鄰域聚類分割40-41
• 4.2 結(jié)合鄰域聚類分割的主動學(xué)習(xí)SVDD異常檢測算法41-42
• 4.3 實驗及結(jié)果分析42-44
• 4.3.1 仿真數(shù)據(jù)實驗結(jié)果及分析42-43
• 4.3.2 AVIRIS數(shù)據(jù)實驗及結(jié)果分析43-44
• 4.4 本章小結(jié)44-46
• 第五章 結(jié)束語46-48
• 5.1 總結(jié)46
• 5.2 創(chuàng)新點46-47
• 5.3 展望47-48
• 參考文獻48-53
• 致謝53

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 路威;余旭初;劉娟;楊國鵬;;基于分布異常的高光譜遙感影像小目標(biāo)檢測算法[J];測繪學(xué)報;2006年01期

2 郭洪周,房曉鐘,張宗貴,甘甫平;澳大利亞機載成像光譜儀及其應(yīng)用[J];地質(zhì)裝備;2005年02期

3 毛耀保;;寧夏汝箕溝煤田火區(qū)高光譜定量遙感探測研究[J];國土資源遙感;2010年03期

4 尋麗娜;方勇華;李新;;高光譜圖像中基于端元提取的小目標(biāo)檢測算法[J];光學(xué)學(xué)報;2007年07期

5 成寶芝;趙春暉;王玉磊;;基于四階累積量的波段子集高光譜圖像異常檢測[J];光電子.激光;2012年08期

6 杜博;陳勇;史瑞芝;;一種基于高斯馬爾可夫隨機場的異常目標(biāo)探測方法[J];測繪科學(xué);2010年06期

7 宮秀軍,孫建平,史忠植;主動貝葉斯網(wǎng)絡(luò)分類器[J];計算機研究與發(fā)展;2002年05期

8 徐海龍;王曉丹;廖勇;權(quán)文;;一種基于主動學(xué)習(xí)的SVM增量訓(xùn)練算法[J];控制與決策;2010年02期

9 諶德榮;張立燕;陶鵬;曹旭平;;結(jié)合鄰域聚類分割的高光譜圖像異常檢測支持向量數(shù)據(jù)描述方法[J];宇航學(xué)報;2007年03期

10 張立燕;諶德榮;陶鵬;;基于頂點成分分析的高光譜圖像低概率異常檢測方法研究[J];宇航學(xué)報;2007年05期

，

本文編號：895129