本文關(guān)鍵詞： 非監(jiān)督聚類 譜聚類 極限學(xué)習(xí)機 高光譜影像　出處：《計算機輔助設(shè)計與圖形學(xué)學(xué)報》2017年08期 　論文類型：期刊論文

【摘要】：針對訓(xùn)練樣本無先驗別知識指導(dǎo)的高光譜影像聚類問題,提出一種結(jié)合極限學(xué)習(xí)機的高光譜影像非監(jiān)督分塊聚類算法.首先對影像進行預(yù)聚類,采用分塊策略選取訓(xùn)練樣本;然后在傳統(tǒng)譜聚類算法的基礎(chǔ)上引入極限學(xué)習(xí)機預(yù)測機制,利用訓(xùn)練樣本求解極限學(xué)習(xí)機的最優(yōu)輸出矩陣;最后通過極限學(xué)習(xí)機對整幅高光譜影像進行特征映射,進而在嵌入空間實現(xiàn)聚類.采用6組高光譜影像進行實驗,與K均值和譜聚類等傳統(tǒng)算法的聚類精度對比的結(jié)果表明,該算法能夠克服譜聚類算法內(nèi)存空間的瓶頸問題,實現(xiàn)大尺寸高光譜影像的聚類,并且在一定程度上提高了聚類精度.
[Abstract]:In order to solve the problem of hyperspectral image clustering without prior knowledge guidance, a hyperspectral image unsupervised clustering algorithm combined with extreme learning machine is proposed. Firstly, the image is preclustered, and the training samples are selected by block strategy. Then, based on the traditional spectral clustering algorithm, the prediction mechanism of extreme learning machine is introduced, and the optimal output matrix of the ultimate learning machine is solved by training samples. Finally, the feature mapping of the whole hyperspectral image is carried out through the ultimate learning machine. Then clustering is realized in embedded space. Six groups of hyperspectral images are used to carry out experiments. The results of comparison with traditional algorithms such as K-means and spectral clustering show that the algorithm can overcome the bottleneck problem in memory space of spectral clustering algorithm. The clustering of large scale hyperspectral images is realized, and the clustering accuracy is improved to some extent.
【作者單位】： 信息工程大學(xué)地理空間信息學(xué)院;
【基金】：國家自然科學(xué)基金(41501482) 地理信息工程國家重點實驗室開放基(SKLGIE2015-M-3-1,SKLGIE2015-M-3-2) 河南省科技攻關(guān)項目(15202210014) 信息工程大學(xué)自主科研課題(41201477)
【分類號】：TP18;TP751

【相似文獻】

相關(guān)期刊論文 前10條

1 甘甫平;王潤生;;高光譜遙感技術(shù)在地質(zhì)領(lǐng)域中的應(yīng)用[J];國土資源遙感;2007年04期

2 余旭初;楊國鵬;馮伍法;周欣;;基于簡約集支持向量機的高光譜影像分類[J];計算機科學(xué);2010年11期

3 李新雙;張良培;李平湘;吳波;;基于小波分量特征值匹配的高光譜影像分類[J];武漢大學(xué)學(xué)報(信息科學(xué)版);2006年03期

4 楊可明;陳云浩;郭達志;蔣金豹;;基于高光譜影像的小麥條銹病光譜信息探測與提取(英文)[J];光子學(xué)報;2008年01期

5 蘇俊英;舒寧;;一種基于非線性增益小波濾波的高光譜影像去噪技術(shù)研究[J];遙感技術(shù)與應(yīng)用;2008年04期

6 孫偉偉;劉春;施蓓琦;李巍岳;;基于隨機矩陣的高光譜影像非負稀疏表達分類[J];同濟大學(xué)學(xué)報(自然科學(xué)版);2013年08期

7 楊可明;李慧;郭達志;;基于最佳小波包基的高光譜影像特征制圖[J];測繪學(xué)報;2008年01期

8 楊國鵬;余旭初;劉偉;陳偉;;基于支持向量機的高光譜影像分類研究[J];計算機工程與設(shè)計;2008年08期

9 董超;趙慧潔;;關(guān)聯(lián)向量機在高光譜影像分類中的應(yīng)用[J];遙感學(xué)報;2010年06期

10 董超;田聯(lián)房;趙慧潔;;遺傳關(guān)聯(lián)向量機高光譜影像分類[J];上海交通大學(xué)學(xué)報;2011年10期

相關(guān)會議論文 前10條

1 舒寧;胡穎;;基于地物光譜特征的高光譜影像邊緣提取方法[A];地理空間信息技術(shù)與應(yīng)用——中國科協(xié)2002年學(xué)術(shù)年會測繪論文集[C];2002年

2 舒寧;;多光譜和高光譜影像紋理分析的幾種方法[A];第十五屆全國遙感技術(shù)學(xué)術(shù)交流會論文摘要集[C];2005年

3 于美嬌;董廣軍;張永生;紀(jì)松;楊靖宇;;一種基于極大后驗估計的高光譜影像分辨率增強方法[A];圖像圖形技術(shù)與應(yīng)用進展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會議論文集[C];2008年

4 董廣軍;紀(jì)松;朱朝杰;;基于局部線性嵌入流形學(xué)習(xí)的高光譜影像分類技術(shù)[A];第六屆全國信息獲取與處理學(xué)術(shù)會議論文集（3）[C];2008年

5 汪瑋;周可法;王金林;周曙光;劉慧;;環(huán)境減災(zāi)衛(wèi)星高光譜數(shù)據(jù)預(yù)處理[A];第十二屆全國數(shù)學(xué)地質(zhì)與地學(xué)信息學(xué)術(shù)研討會論文集[C];2013年

6 黃遠程;張良培;李平湘;;基于最小單形體體積約束的高光譜影像端元光譜提取[A];遙感定量反演算法研討會摘要集[C];2010年

7 劉慶杰;藺啟忠;王黎明;王欽軍;李慶亭;苗峰顯;;基于CFFT最優(yōu)信噪比的星載高光譜影像噪聲抑制研究[A];第十七屆中國遙感大會摘要集[C];2010年

8 張杰林;;砂巖型鈾礦床高光譜數(shù)據(jù)挖掘技術(shù)研究[A];第十五屆全國遙感技術(shù)學(xué)術(shù)交流會論文摘要集[C];2005年

9 董彥芳;龐勇;;高光譜影像與LiDAR數(shù)據(jù)融合提取城市目標(biāo)提取[A];中國地震學(xué)會空間對地觀測專業(yè)委員會2013年學(xué)術(shù)研討會論文摘要集[C];2013年

10 李飛;周成虎;陳榮國;;基于光譜曲線形態(tài)的高光譜影像檢索方法研究[A];第二屆中國科學(xué)院博士后學(xué)術(shù)年會暨高新技術(shù)前沿與發(fā)展學(xué)術(shù)會議程序冊[C];2010年

相關(guān)博士學(xué)位論文 前8條

1 劉軻;冬小麥葉面積指數(shù)高光譜遙感反演方法研究[D];中國農(nóng)業(yè)科學(xué)院;2015年

2 楊國鵬;基于機器學(xué)習(xí)方法的高光譜影像分類研究[D];解放軍信息工程大學(xué);2010年

3 路威;面向目標(biāo)探測的高光譜影像特征提取與分類技術(shù)研究[D];中國人民解放軍信息工程大學(xué);2005年

4 楊哲海;高光譜影像分類若干關(guān)鍵技術(shù)的研究[D];解放軍信息工程大學(xué);2006年

5 王凱;基于多特征融合的高光譜影像地物精細分析方法研究[D];武漢大學(xué);2013年

6 杜輝強;高光譜遙感影像濾波和邊緣提取方法研究[D];武漢大學(xué);2004年

7 韋瑋;基于多角度高光譜CHRIS數(shù)據(jù)的濕地信息提取技術(shù)研究[D];中國林業(yè)科學(xué)研究院;2011年

8 龔鑓;基于HDA和MRF的高光譜影像同質(zhì)區(qū)分析[D];武漢大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 司海青;含水量對土壤有機質(zhì)含量高光譜估算的影響研究[D];中國農(nóng)業(yè)科學(xué)院;2015年

2 汪重午;基于高光譜線性混合模型的地質(zhì)勘查研究[D];成都理工大學(xué);2015年

3 原娟;面向高光譜地物的在軌替代光譜定標(biāo)影響因子分析[D];浙江農(nóng)林大學(xué);2015年

4 魏祥坡;高光譜影像土質(zhì)要素和人工地物分類技術(shù)研究[D];解放軍信息工程大學(xué);2015年

5 康苒;松嫩平原典型土壤有機質(zhì)高光譜預(yù)測模型研究[D];東北農(nóng)業(yè)大學(xué);2016年

6 張穎;基于主動學(xué)習(xí)的高光譜影像分類[D];成都理工大學(xué);2016年

7 張風(fēng);基于子空間學(xué)習(xí)的高光譜影像地物分類[D];西安電子科技大學(xué);2015年

8 劉瑞香;基于多尺度局部二值模式的高光譜圖像分類算法研究[D];西安石油大學(xué);2016年

9 劉怡君;基于機載LiDAR和高光譜遙感影像融合實現(xiàn)普洱山區(qū)樹種分類[D];中國林業(yè)科學(xué)研究院;2016年

10 董連鳳;高光譜影像預(yù)處理技術(shù)研究[D];長安大學(xué);2007年

，

本文編號：1539518