發(fā)布時(shí)間：2021-12-02 10:32

　　高光譜遙感技術(shù)是集成像與光譜探測為一體的光學(xué)遙感技術(shù),該技術(shù)通過光學(xué)系統(tǒng)接收地物反射并獲取地面目標(biāo)像元的光譜信息對地物目標(biāo)進(jìn)行識別。目前,針對地面物質(zhì)信息的高光譜遙感圖像分類是一門綜合圖像處理與遙感成像技術(shù)的前沿科研課題。同時(shí),如何提升光譜類似區(qū)域的識別能力以及處理效率一直是高光譜遙感圖像場景分類的研究重點(diǎn)。因此,本文提出了兩種結(jié)合光譜和空間信息的場景分類方法,并使用真實(shí)的高光譜遙感圖像數(shù)據(jù)驗(yàn)證了本文所提方法的有效性。本文主要的工作概括如下:（1）傳統(tǒng)的k-最近鄰域（k-Nearest Neighbor,k-NN）方法依賴于歐氏距離作為度量方式來預(yù)測測試樣本的標(biāo)簽。然而,每個(gè)測試樣本在進(jìn)行類別判定時(shí),距離信息的權(quán)重分配往往會影響分類精度的提升。因此,本文提出了一種加權(quán)最近鄰與稀疏表示融合的高光譜圖像分類方法,該方法包括以下步驟:首先,對測試像元周圍鄰域按窗口大小進(jìn)行聯(lián)合,形成測試像元的聯(lián)合區(qū)域并獲取像元間的歐式距離。其次,利用高斯加權(quán)函數(shù)對距離信息進(jìn)行權(quán)重分配。最后,融合稀疏表示的重構(gòu)殘差形成新的決策函數(shù)。實(shí)驗(yàn)結(jié)果表明,本文提出的方法有更高的分類精度。（2）高光譜遙感地物樣本標(biāo)定的過程... 

【文章來源】：湖南理工學(xué)院湖南省

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 研究內(nèi)容及安排
第2章 高光譜遙感圖像分類基本理論
    2.1 分類原理概述
        2.1.1 鄰域最小距離原理
        2.1.2 支持向量機(jī)原理
    2.2 分類評價(jià)指標(biāo)
    2.3 本章小結(jié)
第3章 加權(quán)最近鄰與稀疏表示融合的高光譜圖像分類方法
    3.1 相關(guān)理論方法
        3.1.1 稀疏表示算法
        3.1.2 聯(lián)合稀疏表示算法
        3.1.3 k-最近鄰分類算法
    3.2 加權(quán)聯(lián)合歐氏距離分類方法原理
        3.2.1 聯(lián)合最近鄰算法
        3.2.2 加權(quán)聯(lián)合最近鄰算法
    3.3 實(shí)驗(yàn)結(jié)果與分析
        3.3.1 實(shí)驗(yàn)數(shù)據(jù)集及評價(jià)指標(biāo)
        3.3.2 參數(shù)分析
        3.3.3 實(shí)驗(yàn)結(jié)果
        3.3.4 時(shí)間復(fù)雜度
        3.3.5 不同數(shù)量的訓(xùn)練樣本的對分類性能影響
    3.4 本章小結(jié)
第4章 基于加權(quán)最近鄰的峰值密度高光譜圖像分類方法
    4.1 相關(guān)理論方法
        4.1.1 峰值密度聚類算法
        4.1.2 超像素分割
        4.1.3 歐式距離加權(quán)原理
    4.2 超像素加權(quán)密度聚類檢測分類方法
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 實(shí)驗(yàn)數(shù)據(jù)集選取
        4.3.2 參數(shù)分析
        4.3.3 超像素分割算法的影響
        4.3.4 提出方法的迭代次數(shù)對不確定樣本分類的影響
        4.3.5 不同的不確定樣本檢測方法的性能對比
        4.3.6 訓(xùn)練樣本檢測前后使用其他分類器的性能分析
    4.4 本章小結(jié)
第5章 總結(jié)與展望
    總結(jié)
    展望
參考文獻(xiàn)
致謝
攻讀碩士期間論文及科研情況
    1 論文發(fā)表
    2 發(fā)明專利授權(quán)
    3 參與科研項(xiàng)目
    4 獲獎情況



本文編號：3528263