本文關(guān)鍵詞：基于子空間學(xué)習(xí)的高光譜影像地物分類(lèi)

  更多相關(guān)文章： 高光譜影像 地物分類(lèi) 組稀疏編碼 空間拉普拉斯圖正則 線性回歸 子空間學(xué)習(xí) 半監(jiān)督學(xué)習(xí)

【摘要】：近年來(lái),隨著遙感技術(shù)的迅猛發(fā)展,人們可以獲取大量的高光譜影像數(shù)據(jù),高光譜影像數(shù)據(jù)能夠同時(shí)獲取地物的光譜特征信息和空間特征信息,可對(duì)地物進(jìn)行精細(xì)分類(lèi)。高光譜影像數(shù)據(jù)中光譜信息和空間信息很豐富,但樣本維數(shù)很高,波段間信息冗余,數(shù)據(jù)海量,但有標(biāo)記的樣本數(shù)量很少。針對(duì)以上問(wèn)題,本文進(jìn)行較為深入研究,成果如下:1.提出了一種基于子空間學(xué)習(xí)和稀疏編碼的高光譜影像地物分類(lèi)方法。該算法把高光譜影像數(shù)據(jù)投影到低維子空間和組稀疏編碼集成到統(tǒng)一框架內(nèi),這樣可以保證投影子空間是最優(yōu)的,并且引入這一反應(yīng)空間特征信息的約束,使得特征編碼不僅具有整體稀疏性,并且保留了空間特征信息。仿真實(shí)驗(yàn)結(jié)果表明:基于子空間學(xué)習(xí)和稀疏編碼的高光譜影像地物分類(lèi)算法能夠大大提高分類(lèi)精度,并減少時(shí)間。2.提出了一種基于稀疏低秩回歸的高光譜影像地物分類(lèi)方法。該算法把高光譜影像數(shù)據(jù)投影到線性鑒別分析的子空間里,在子空間里做組Lasso回歸,充分利用了高光譜影像數(shù)據(jù)的類(lèi)別信息,使高維數(shù)據(jù)經(jīng)過(guò)低維映射后具有較好的可分性,挖掘高光譜影像數(shù)據(jù)的全局結(jié)構(gòu)和內(nèi)部本質(zhì)。所以該算法能夠得到較高的分類(lèi)精度。在實(shí)際高光譜數(shù)據(jù)集上進(jìn)行的仿真實(shí)驗(yàn)驗(yàn)證了該算法的性能。3.提出了一種基于虛擬標(biāo)簽回歸的半監(jiān)督高光譜影像地物分類(lèi)方法。半監(jiān)督分類(lèi)方法能充分利用無(wú)標(biāo)記樣本,有效的克服樣本標(biāo)記不足的問(wèn)題。但是無(wú)標(biāo)記樣本一旦被錯(cuò)誤分類(lèi),這種錯(cuò)誤在后續(xù)標(biāo)記傳遞過(guò)程中將會(huì)被延續(xù)甚至擴(kuò)大。該算法通過(guò)隨機(jī)游走獲取虛擬標(biāo)簽,虛擬標(biāo)簽?zāi)軌驒z測(cè)出高光譜影像數(shù)據(jù)的異常值和半監(jiān)督算法中訓(xùn)練樣本標(biāo)記不全,避免標(biāo)記被錯(cuò)誤傳遞。實(shí)驗(yàn)結(jié)果表明:基于虛擬標(biāo)簽回歸的高光譜數(shù)據(jù)分類(lèi)算法,能夠大大提高準(zhǔn)確率,具有很好的魯棒性。實(shí)驗(yàn)結(jié)果表明,本文提出的模型及方法有效地提高高光譜遙感影像像分類(lèi)性能。最后論文對(duì)本文工作進(jìn)行總結(jié),并指出今后需要進(jìn)一步研究的內(nèi)容。
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：TP751

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前3條

1 陳進(jìn);王潤(rùn)生;;高斯最大似然分類(lèi)在高光譜分類(lèi)中的應(yīng)用研究[J];計(jì)算機(jī)應(yīng)用;2006年08期

2 何國(guó)光,朱萍,曹志彤,陳宏平;混沌神經(jīng)網(wǎng)絡(luò)的Lyapunov指數(shù)與混沌區(qū)域[J];浙江大學(xué)學(xué)報(bào)(理學(xué)版);2004年04期

3 楊哲海,韓建峰,宮大鵬,李之歆;高光譜遙感技術(shù)的發(fā)展與應(yīng)用[J];海洋測(cè)繪;2003年06期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 徐曉華;圖上的隨機(jī)游走學(xué)習(xí)[D];南京航空航天大學(xué);2008年

，

本文編號(hào)：1158166