近年來(lái),隨著高光譜成像技術(shù)和理論研究的不斷發(fā)展,高光譜遙感已廣泛應(yīng)用于人類(lèi)生產(chǎn)生活。高光譜圖像分類(lèi)作為高光譜遙感領(lǐng)域的一項(xiàng)重要研究?jī)?nèi)容,已吸引眾多國(guó)內(nèi)外的優(yōu)秀學(xué)者投身于其中。光譜成像技術(shù)特別是光譜和空間分辨率的不斷提高,使得收集到的高光譜圖像包含了更加豐富的地物空間和光譜信息,同時(shí)又帶來(lái)了新的挑戰(zhàn)。一方面,有限的標(biāo)記樣本,要求分類(lèi)器有著極強(qiáng)的鑒別能力,制約著高光譜圖像分類(lèi)精度的提升。另一方面,高光譜圖像分類(lèi)問(wèn)題的特殊性導(dǎo)致算法計(jì)算規(guī)模非常大。本文將以超像素為基礎(chǔ),結(jié)合超像素的優(yōu)勢(shì)與高光譜圖像的特點(diǎn),深入研究小樣本條件下的高光譜圖像分類(lèi)。主要包括以下成果:1.針對(duì)已有超像素算法普遍需要預(yù)先指定超像素個(gè)數(shù)的問(wèn)題,提出了一種自適應(yīng)超像素分割方法。該方法基于熵率分割算法均勻分割的假設(shè)。首先,針對(duì)不同的高光譜圖像,利用圖像的空間分辨率估計(jì)出均勻分割時(shí)每個(gè)超像素中像素的個(gè)數(shù)。然后,結(jié)合圖像的空間大小與每個(gè)超像素包含的像素個(gè)數(shù),自適應(yīng)求取高光譜圖像的超像素個(gè)數(shù)。最后,利用熵率分割算法對(duì)高光譜圖像進(jìn)行超像素分割。實(shí)驗(yàn)結(jié)果表明,自適應(yīng)超像素分割算法完全能夠根據(jù)不同圖像的空間大小、空間分辨率自適應(yīng)地完成超...

【文章頁(yè)數(shù)】：88 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
        1.2.1 高光譜圖像特征提取研究現(xiàn)狀
        1.2.2 高光譜圖像分類(lèi)研究現(xiàn)狀
        1.2.3 高光譜圖像深度學(xué)習(xí)研究現(xiàn)狀
    1.3 高光譜圖像分類(lèi)評(píng)價(jià)指標(biāo)
    1.4 本文使用的高光譜數(shù)據(jù)源概述
        1.4.1 Indian Pines數(shù)據(jù)集
        1.4.2 Salinas數(shù)據(jù)集
        1.4.3 Pavia University數(shù)據(jù)集
        1.4.4 Kennedy Space Center數(shù)據(jù)集
    1.5 章節(jié)安排
第2章 高光譜圖像特征提取及超像素在高光譜圖像分類(lèi)中的應(yīng)用
    2.1 高光譜圖像特征提取
        2.1.1 高光譜形態(tài)學(xué)特征提取
        2.1.2 高光譜圖像3D Gabor特征提取
    2.2 超像素
        2.2.1 超像素概述
        2.2.2 超像素分割算法
    2.3 熵率分割-Entropy Rate Segmentation
    2.4 超像素在高光譜圖像分類(lèi)中的應(yīng)用
        2.4.1 基于超像素預(yù)處理的高光譜圖像分類(lèi)
        2.4.2 基于超像素后處理的高光譜圖像分類(lèi)
    2.5 本章小結(jié)
第3章 高光譜圖像自適應(yīng)超像素分割
    3.1 傳統(tǒng)超像素分割算法存在的問(wèn)題
    3.2 基于均勻分割假設(shè)的超像素大小估計(jì)
    3.3 基于高光譜圖像自身屬性的自適應(yīng)分割
    3.4 實(shí)驗(yàn)結(jié)果分析
        3.4.1 超像素內(nèi)部像素估計(jì)實(shí)驗(yàn)結(jié)果分析
        3.4.2 超像素個(gè)數(shù)估計(jì)實(shí)驗(yàn)結(jié)果分析
        3.4.3 方法魯棒性分析
    3.5 本章小結(jié)
第4章 基于協(xié)同表示的多尺度超像素高光譜圖像分類(lèi)結(jié)果融合
    4.1 EMAP-Gabor特征提取
    4.2 基于協(xié)同表示的預(yù)分類(lèi)
    4.3 自適應(yīng)多尺度超像素分割
    4.4 多尺度超像素圖的結(jié)果校正及融合
    4.5 實(shí)驗(yàn)設(shè)計(jì)及結(jié)果分析
        4.5.1 實(shí)驗(yàn)設(shè)置
        4.5.2 參數(shù)分析
        4.5.3 實(shí)驗(yàn)結(jié)果
    4.6 本章小結(jié)
第5章 基于超像素級(jí)加權(quán)標(biāo)簽傳播的高光譜圖像分類(lèi)
    5.1 高光譜圖像超像素過(guò)分割
    5.2 基于超像素的特征提取
    5.3 超像素樣本正則化及鄰域搜索
    5.4 超像素加權(quán)標(biāo)簽傳播
        5.4.1 基于圖的動(dòng)態(tài)標(biāo)簽傳播分類(lèi)算法
        5.4.2 基于超像素的加權(quán)標(biāo)簽傳播算法
    5.5 實(shí)驗(yàn)設(shè)計(jì)及結(jié)果分析
        5.5.1 實(shí)驗(yàn)設(shè)置
        5.5.2 參數(shù)分析
        5.5.3 實(shí)驗(yàn)結(jié)果
    5.6 本章小結(jié)
第6章 總結(jié)與展望
    6.1 主要內(nèi)容及創(chuàng)新點(diǎn)總結(jié)
    6.2 未來(lái)展望
參考文獻(xiàn)
指導(dǎo)教師對(duì)研究生學(xué)位論文的學(xué)術(shù)評(píng)語(yǔ)
學(xué)位論文答辯委員會(huì)決議書(shū)
致謝
攻讀碩士學(xué)位期間研究成果



本文編號(hào)：3808122