發(fā)布時間：2017-04-11 06:18

  本文關(guān)鍵詞：基于信息熵的自訓(xùn)練半監(jiān)督高光譜遙感影像分類研究，由筆耕文化傳播整理發(fā)布。

【摘要】：高光譜遙感是現(xiàn)代遙感技術(shù)的一個里程碑式的發(fā)展標(biāo)志,已是遙感領(lǐng)域的研究熱點,其中高光譜影像自動分類又是高光譜遙感的關(guān)鍵。為了適應(yīng)高光譜影像自動分類技術(shù)對分類精度、分類穩(wěn)定性、算法普適性的現(xiàn)實要求,本文在分析現(xiàn)有監(jiān)督和非監(jiān)督分類存在不足的基礎(chǔ)上,圍繞著半監(jiān)督機器學(xué)習(xí)理論和信息熵理論對高光譜遙感影像自動分類技術(shù)開展了細(xì)致深入的研究,主要研究工作和創(chuàng)新性研究成果如下:(1)針對高光譜影像監(jiān)督分類方法對訓(xùn)練集中有標(biāo)記標(biāo)簽數(shù)量要求高、最終分類精度低和當(dāng)前半監(jiān)督分類方法中存在的構(gòu)建模型復(fù)雜、方法實現(xiàn)困難等存在的問題,提出基于多分類Logistic回歸與Renyi熵融合的自訓(xùn)練半監(jiān)督高光譜影像分類方法。多分類Logistic算法利用少量的有標(biāo)記訓(xùn)練樣本對高光譜數(shù)據(jù)類別進行預(yù)測并輸出類別概率信息,然后利用Renyi熵理論對無標(biāo)記標(biāo)簽進行有標(biāo)記標(biāo)注,補充到訓(xùn)練集中,擴充訓(xùn)練集規(guī)模后再進行迭代分類預(yù)測,最終算法穩(wěn)定收斂結(jié)束。通過5種不同高光譜遙感數(shù)據(jù)與多種監(jiān)督分類算法的比較試驗結(jié)果表明,與常規(guī)的監(jiān)督分類方法相比較分類精度提高了1%-25.93%,且分類效果均優(yōu)于常規(guī)的監(jiān)督分類方法。(2)構(gòu)建基于概率支持向量機與D-S證據(jù)理論融合的自訓(xùn)練半監(jiān)督高光譜影像分類方法。該方法利用概率支持向量機算法的快速類別預(yù)測能力以提升自訓(xùn)練半監(jiān)督高光譜影像分類過程的速度,利用證據(jù)理論的合成規(guī)則以提升無標(biāo)記標(biāo)簽轉(zhuǎn)化為有標(biāo)記標(biāo)簽的質(zhì)量。通過與多分類Logistic回歸與Renyi熵融合的自訓(xùn)練半監(jiān)督分類方法的比較試驗結(jié)果表明,在分類精度方面略有提高,最高達(dá)4.46%;運行效率方面有了明顯的改善,提升幅度達(dá)25.97%-59.70%。(3)針對研究高光譜數(shù)據(jù)維數(shù)約減對自訓(xùn)練半監(jiān)督分類方法的分類效率和分類質(zhì)量的影響,提出基于噪聲估計與最小Renyi交叉熵融合的高光譜遙感影像波段選擇方法。線性回歸的噪聲估計方法對高光譜影像數(shù)據(jù)中隨機噪聲進行估計,然后利用Renyi交叉熵理論選擇原始影像中最大光譜信息量的波段,最后利用皮爾森相關(guān)系數(shù)法理論對這些波段進行組合。大量的試驗結(jié)果表明,該方法去除了數(shù)據(jù)中的冗余波段,降維后的波段保留有效的光譜信息,與自訓(xùn)練半監(jiān)督的高光譜遙感影像分類方法結(jié)合使用,在保持優(yōu)良分類效果和分類精度的前提下,顯著提高了運行效率,比降維前提高了7%-30%。
【關(guān)鍵詞】：高光譜遙感 半監(jiān)督分類 信息熵 降維技術(shù) 多分類線性回歸 概率支持向量機
【學(xué)位授予單位】：河南理工大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TP751
【目錄】：

• 致謝4-6
• 摘要6-8
• Abstract8-12
• 1 緒論12-26
• 1.1 研究背景及意義12-14
• 1.2 高光譜遙感影像分類技術(shù)的研究現(xiàn)狀14-16
• 1.2.1 基于光譜特征分析與匹配的高光譜遙感影像分類方法14
• 1.2.2 基于統(tǒng)計機器學(xué)習(xí)理論的高光譜遙感影像分類方法14-16
• 1.2.3 存在的問題16
• 1.3 半監(jiān)督分類方法的研究現(xiàn)狀16-20
• 1.4 基于半監(jiān)督學(xué)習(xí)的高光譜遙感影像分類方法研究現(xiàn)狀20-22
• 1.5 論文的研究內(nèi)容和技術(shù)路線22-23
• 1.6 論文的章節(jié)安排23-26
• 2 高光譜遙感影像的預(yù)處理及試驗圖像26-42
• 2.1 高光譜遙感影像的獲取技術(shù)26-27
• 2.1.1 光學(xué)成像26
• 2.1.2 空間掃描26-27
• 2.1.3 光譜分光27
• 2.2 高光譜遙感影像的預(yù)處理技術(shù)27-29
• 2.2.1 大氣輻射校正27-28
• 2.2.2 幾何校正28-29
• 2.2.3 噪聲去除29
• 2.3 試驗圖像介紹29-40
• 2.3.1 AVIRIS類型的高光譜遙感影像30-32
• 2.3.2 Hyperion高光譜遙感影像32-34
• 2.3.3 PHI類型的高光譜遙感影像數(shù)據(jù)34-36
• 2.3.4 OMIS高光譜遙感影像36-38
• 2.3.5 UHD高光譜遙感影像38-40
• 2.4 本章小結(jié)40-42
• 3 多分類Logistic回歸與Renyi熵融合的自訓(xùn)練半監(jiān)督分類方法42-68
• 3.1 多分類Logistic回歸算法原理42-46
• 3.1.1 二分類Logistic回歸模型43
• 3.1.2 多分類Logistic回歸模型43-45
• 3.1.3 Logistic回歸模型參數(shù)估計45-46
• 3.2 信息熵與Renyi熵原理46-47
• 3.2.1 信息熵46-47
• 3.2.2 Renyi熵47
• 3.3 算法融合后的半監(jiān)督分類方法47-49
• 3.3.1 問題的描述48
• 3.3.2 基于多分類Logistic算法的高光譜分類過程48
• 3.3.3 基于Renyi熵理論的非標(biāo)記標(biāo)簽轉(zhuǎn)換過程48-49
• 3.4 算法的過程49-50
• 3.5 試驗結(jié)果與分析50-67
• 3.5.1 各種算法分類性能的比較51-66
• 3.5.2 試驗分析與評價66-67
• 3.6 本章小結(jié)67-68
• 4 概率支持向量機與 D-S 證據(jù)理論融合的自訓(xùn)練半監(jiān)督分類方法68-90
• 4.1 支持向量機和概率支持向量機理論68-74
• 4.1.1 線性二分類支持向量機模型68-70
• 4.1.2 非線性二分類支持向量機模型70-72
• 4.1.3 多分類支持向量機模型72-73
• 4.1.4 二分類概率支持向量機模型73-74
• 4.2 D-S證據(jù)理論原理74-75
• 4.2.1 證據(jù)理論的基本概念74-75
• 4.2.2 證據(jù)理論的合成法則75
• 4.3 算法融合后的半監(jiān)督分類方法75-77
• 4.3.1 基于概率支持向量機算法的高光譜分類過程76
• 4.3.2 基于D-S證據(jù)理論的非標(biāo)記標(biāo)簽轉(zhuǎn)換過程76-77
• 4.4 算法的過程77-78
• 4.5 試驗結(jié)果與分析78-89
• 4.5.1 各種算法分類性能的比較79-88
• 4.5.2 試驗分析與評價88-89
• 4.6 本章小結(jié)89-90
• 5 基于噪聲估計與最小Renyi交叉熵融合的波段選擇方法90-112
• 5.1 基于線性回歸模型的噪聲估計方法90-91
• 5.2 交叉熵和Renyi交叉熵91-92
• 5.2.1 交叉熵91-92
• 5.2.2 Renyi交叉熵92
• 5.3 波段相關(guān)性判定92-93
• 5.3.1 波段等分分組92
• 5.3.2 皮爾遜相關(guān)系數(shù)92-93
• 5.4 算法融合后的波段選擇流程93-94
• 5.5 試驗與結(jié)果分析94-111
• 5.5.1 算法降維性能的比較94-110
• 5.5.2 試驗分析與評價110-111
• 5.6 本章小結(jié)111-112
• 6 總結(jié)與展望112-116
• 6.1 總結(jié)112-113
• 6.2 創(chuàng)新點113
• 6.3 工作展望113-116
• 參考文獻(xiàn)116-129

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 劉桂生;葛根旺;;基于遙感影像的土地利用監(jiān)督分類探討[J];城市勘測;2008年03期

2 劉建南;冷亮;楊國東;;遙感影像平行六面體法則監(jiān)督分類與目視識別的對比分析[J];才智;2009年19期

3 孔令富;李海濤;;基于免疫無監(jiān)督分類的老年人行為分析[J];吉林大學(xué)學(xué)報(工學(xué)版);2011年06期

4 鄭明國,秦明周;利用眾數(shù)濾波對監(jiān)督分類訓(xùn)練樣本純化的研究[J];信陽師范學(xué)院學(xué)報(自然科學(xué)版);2003年03期

5 程希平;遙感數(shù)字圖像的比值處理及其在監(jiān)督分類中的應(yīng)用[J];地球科學(xué);1988年01期

6 巢寧佳;;遙感影像監(jiān)督分類[J];江西測繪;2007年04期

7 趙建華;;一種基于交叉驗證思想的半監(jiān)督分類方法[J];西南科技大學(xué)學(xué)報;2014年01期

8 羅琴;田錚;;高光譜圖像無監(jiān)督分類的非線性特征提取器[J];宇航學(xué)報;2007年05期

9 杜友田;辛剛;鄭慶華;;融合異構(gòu)信息的網(wǎng)絡(luò)視頻在線半監(jiān)督分類方法[J];西安交通大學(xué)學(xué)報;2013年07期

10 劉志剛,史文中,李德仁,秦前清;一種基于支撐向量機的遙感影像不完全監(jiān)督分類新方法[J];遙感學(xué)報;2005年04期

中國重要會議論文全文數(shù)據(jù)庫 前5條

1 馬平燕;;基于ERDAS的土地利用監(jiān)督分類探討[A];江蘇省測繪學(xué)會2007年學(xué)術(shù)年會論文集[C];2008年

2 馬平燕;;基于ERDAS的土地利用監(jiān)督分類探討[A];江蘇省測繪學(xué)會2007'學(xué)術(shù)年會論文集[C];2008年

3 趙偉穎;;極化SAR監(jiān)督分類方法對植被分類效果比較分析[A];第九屆長三角科技論壇（測繪分論壇）論文集[C];2012年

4 袁金國;;遙感影像監(jiān)督分類方法的應(yīng)用研究[A];科技、工程與經(jīng)濟社會協(xié)調(diào)發(fā)展——中國科協(xié)第五屆青年學(xué)術(shù)年會論文集[C];2004年

5 王強;孫洪;;基于支持向量機的多極化SAR圖像監(jiān)督分類[A];第十二屆全國信號處理學(xué)術(shù)年會（CCSP-2005）論文集[C];2005年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前3條

1 王春陽;基于信息熵的自訓(xùn)練半監(jiān)督高光譜遙感影像分類研究[D];河南理工大學(xué);2015年

2 可婷;部分監(jiān)督分類問題的研究[D];中國農(nóng)業(yè)大學(xué);2014年

3 黃東山;特征選擇及半監(jiān)督分類方法研究[D];華中科技大學(xué);2011年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前7條

1 賈敏;腦機接口中半監(jiān)督分類方法研究[D];燕山大學(xué);2012年

2 張興娟;石家莊市綠地調(diào)查研究與分析[D];遼寧工程技術(shù)大學(xué);2009年

3 韓花;基于監(jiān)督分類的土地利用動態(tài)變化監(jiān)測及其信息自動提取[D];長安大學(xué);2012年

4 蔣霞;極化SAR圖像無監(jiān)督分類方法研究[D];電子科技大學(xué);2015年

5 呂浩然;基于樹分解的大規(guī)模半監(jiān)督分類算法[D];華南理工大學(xué);2012年

6 陸廣泉;半監(jiān)督分類技術(shù)及其算法研究[D];廣西師范大學(xué);2011年

7 石瑞超;關(guān)系網(wǎng)絡(luò)數(shù)據(jù)的半監(jiān)督分類方法研究[D];哈爾濱工業(yè)大學(xué);2013年

  本文關(guān)鍵詞：基于信息熵的自訓(xùn)練半監(jiān)督高光譜遙感影像分類研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：298496