本文關鍵詞：高光譜圖像稀疏流形學習方法研究

  更多相關文章： 高光譜圖像 地物分類 特征提取 稀疏流形學習 圖嵌入

【摘要】：高光譜圖像是由成像光譜儀記錄地物對電磁波的反射值而獲取,包含從可見光到近紅外范圍內的數(shù)十上百個連續(xù)且狹窄的波段。高光譜圖像光譜分辨率高,可辨識細微差異的地物,目前已廣泛應用于環(huán)境監(jiān)測、精準農業(yè)、目標識別和地物分類等領域。在高光譜圖像分類中,傳統(tǒng)分類方法因數(shù)據量大、波段數(shù)多、波段間的相關性強而導致“維數(shù)災難”。因此,如何減少波段數(shù)且不丟失有用信息是目前高光譜圖像分類領域的研究前沿與熱點。特征提取是減少高光譜圖像波段數(shù)的有效方法,能獲得有用的內在信息,可有效改善分類結果。論文在流形學習、圖嵌入和稀疏表示等理論的基礎上,重點開展了基于稀疏流形學習的高光譜圖像特征提取方法研究。主要研究工作如下:(1)根據高光譜圖像的特點及其面臨的挑戰(zhàn),引出特征提取在高光譜圖像分類中的優(yōu)勢。然后系統(tǒng)地介紹了高光譜圖像的特征提取和分類方法,并回顧了特征提取和分類方法的發(fā)展歷程。重點介紹了流形學習、圖嵌入和稀疏表示的基本原理和相關方法,為論文奠定了堅實的理論基礎。最后總結了高光譜圖像分類的精度評價指標和常用的高光譜數(shù)據集。(2)深入研究了基于流形學習的高光譜圖像特征提取方法。通過對流形學習方法的分析,引出圖嵌入框架,并詳細分析了該框架下的邊界Fisher分析(MFA)算法。針對MFA不能有效表達具有大量同質區(qū)域的高光譜圖像內在結構的問題,提出局部幾何結構Fisher分析(LGSFA)算法。LGSFA利用數(shù)據的鄰域和各鄰域的類內重構點來揭示高光譜圖像的內在流形結構,增強了特征的表達性能。在Salinas和Indian Pines高光譜數(shù)據集上展示了LGSFA算法的有效性。(3)研究了基于稀疏表示的高光譜圖像特征提取方法。對于圖嵌入框架在構圖時面臨近鄰選取困難的問題,提出稀疏保持分析(SPA)算法。SPA根據稀疏表示的自然鑒別力,能自適應地揭示出數(shù)據間的相似關系,并通過稀疏系數(shù)構建稀疏圖,提取出更有效的鑒別特征。針對PaviaU和Urban高光譜數(shù)據的分類實驗,SPA比其他相關方法具有更好的分類結果。在SPA的基礎上,根據高光譜數(shù)據的類別信息,提出稀疏鑒別學習(SDL)算法。SDL通過稀疏表示揭示出數(shù)據間的相似性,構建類內稀疏圖和類間稀疏圖,并增強同類數(shù)據的相似權值,進而改善非同類數(shù)據間的可分性。在Indian Pines和Urban高光譜數(shù)據集上的分類結果表明,SDL能更好地表征數(shù)據的內在屬性,提升分類精度。(4)根據流形學習和稀疏表示,開展了稀疏流形學習方面的研究。根據稀疏流形編碼具有自適應地選取來自同一流形數(shù)據的特點,提出稀疏流形嵌入(SME)算法。SME通過構建稀疏流形圖來揭示出數(shù)據的稀疏流形結構,進而有效地表達數(shù)據的內在特性。結合高光譜圖像的類別信息,提出稀疏鑒別流形嵌入(SDME)算法。SDME增強了同類數(shù)據的聚集性,提取出更有效的鑒別特征。在Indian Pines和PaviaU高光譜數(shù)據集上的實驗結果表明,SME和SDME比相關方法具有更好的分類精度。為同時利用高光譜數(shù)據的標記樣本和無標記樣本,結合稀疏流形編碼,提出半監(jiān)督稀疏流形鑒別分析(S3MDA)算法。S3MDA利用標記樣本和無標記樣本的稀疏系數(shù)分別構建了類內圖、類間圖和非監(jiān)督圖,在低維空間中,聚集類內圖的特性,分離類間圖的特征,同時聚集非監(jiān)督圖的相似性,進而得到更好的低維特征。對于PaviaU和Salinas高光譜數(shù)據集的分類實驗,與其他特征提取方法相比,S3MDA能得到更好的分類精度。綜上所述,論文主要開展了高光譜圖像特征提取方法的研究,在流形學習、圖嵌入和稀疏表示的基礎上,逐步深入地構建了基于流形學習、稀疏表示和稀疏流形學習的高光譜圖像特征提取方法,并通過高光譜數(shù)據集對各方法的有效性進行了驗證。
【學位授予單位】：重慶大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：TP751

【參考文獻】

中國期刊全文數(shù)據庫 前10條

1 杜培軍;夏俊士;薛朝輝;譚琨;蘇紅軍;鮑蕊;;高光譜遙感影像分類研究進展[J];遙感學報;2016年02期

2 漆成莉;顧明劍;胡秀清;吳春強;;風云三號衛(wèi)星紅外高光譜探測技術及潛在應用[J];氣象科技進展;2016年01期

3 李志忠;汪大明;劉德長;劉銀年;趙慧潔;黨福星;;高光譜遙感技術及資源勘查應用進展[J];地球科學(中國地質大學學報);2015年08期

4 曹福成;;高分系列遙感衛(wèi)星 布設中國太空“慧眼”——我國高分專項建設回眸[J];中國軍轉民;2015年01期

5 史劍民;胡秀清;徐文斌;鄭小兵;;風云三號B星中分辨率光譜成像儀響應衰變分析[J];大氣與環(huán)境光學學報;2014年05期

6 崔毅;危峻;湯瑜瑜;馬亮;;適用于推掃式成像光譜儀的CCD拖尾扣除方法[J];光譜學與光譜分析;2014年07期

7 孫偉偉;劉春;施蓓琦;李巍岳;;面向高光譜影像分類的改進局部切空間排列降維[J];同濟大學學報(自然科學版);2014年01期

8 杜博;張樂飛;張良培;胡文斌;;高光譜圖像降維的判別流形學習方法[J];光子學報;2013年03期

9 魏峰;何明一;梅少輝;;空間一致性鄰域保留嵌入的高光譜數(shù)據特征提取[J];紅外與激光工程;2012年05期

10 王立志;黃鴻;馮海亮;;基于SSMFA與kNNS算法的高光譜遙感影像分類[J];電子學報;2012年04期

中國重要會議論文全文數(shù)據庫 前1條

1 方抗美;;模塊化機載成像光譜儀光學系統(tǒng)[A];第六屆成像光譜技術與應用研討會文集[C];2006年

中國博士學位論文全文數(shù)據庫 前10條

1 葉珍;高光譜圖像特征提取與分類算法研究[D];西北工業(yè)大學;2015年

2 秦振濤;基于稀疏表示及字典學習遙感圖像處理關鍵技術研究[D];成都理工大學;2015年

3 孫博良;在線半監(jiān)督學習理論、算法與應用研究[D];國防科學技術大學;2014年

4 高陽;高光譜數(shù)據降維算法研究[D];中國礦業(yè)大學;2013年

5 宋相法;基于稀疏表示和集成學習的若干分類問題研究[D];西安電子科技大學;2013年

6 高恒振;高光譜遙感圖像分類技術研究[D];國防科學技術大學;2011年

7 馬麗;基于流形學習算法的高光譜圖像分類和異常檢測[D];華中科技大學;2010年

8 陳進;高光譜圖像分類方法研究[D];國防科學技術大學;2010年

9 馮海亮;流形學習算法在人臉識別中的應用研究[D];重慶大學;2008年

10 李波;基于流形學習的特征提取方法及其應用研究[D];中國科學技術大學;2008年

中國碩士學位論文全文數(shù)據庫 前2條

1 王小攀;基于圖的高光譜遙感數(shù)據半監(jiān)督分類算法研究[D];中國地質大學;2014年

2 路威;全色遙感影像面狀地物半自動提取方法的研究[D];中國人民解放軍信息工程大學;2002年

，

本文編號：1297211