本文選題：高光譜數(shù)據(jù)　切入點(diǎn)：降維　出處：《西安電子科技大學(xué)》2014年碩士論文　論文類型：學(xué)位論文

【摘要】：高光譜影像數(shù)據(jù)分類是近年來遙感數(shù)據(jù)解譯的熱點(diǎn)問題之一。隨著高光譜成像技術(shù)的發(fā)展，所獲影像數(shù)據(jù)的空間分辨率得到顯著提高，使得在分類中利用空間信息成為可能。本文在挖掘高光譜數(shù)據(jù)空間信息的基礎(chǔ)上，研究了光譜與空間信息聯(lián)合使用的策略，設(shè)計了幾種空譜聯(lián)合的半監(jiān)督高光譜數(shù)據(jù)維數(shù)約簡與分類方法。具體研究內(nèi)容如下： （1）設(shè)計了一種基于空譜稀疏感知圖的高光譜數(shù)據(jù)分類方法。首先，在高光譜數(shù)據(jù)的空間一致性假設(shè)下，挖掘?qū)哟位目沼蚓植拷Y(jié)構(gòu)，聯(lián)合光譜數(shù)據(jù)的非負(fù)低秩表示構(gòu)造出空譜結(jié)合的稀疏感知圖。利用該空譜稀疏感知圖形成Laplacian正則，實(shí)現(xiàn)半監(jiān)督學(xué)習(xí)，，在極少標(biāo)記樣本的條件下，能夠獲得準(zhǔn)確的分類結(jié)果。將所提出的方法進(jìn)行Indian Pines、Salinas和Pavia University等實(shí)際高光譜數(shù)據(jù)的分類，實(shí)驗結(jié)果表明：該算法通過引入空間信息，能夠有效提高分類器的識別率，尤其是在小樣本情況。 （2）設(shè)計了一種基于空譜表征學(xué)習(xí)的高光譜數(shù)據(jù)降維方法。針對半監(jiān)督降維中的正則圖規(guī)模過大的問題，將數(shù)據(jù)選擇歸結(jié)為稀疏表示問題，利用表征學(xué)習(xí)獲得“代表性”數(shù)據(jù)。在線性判別分析中構(gòu)造稀疏樣本的光譜Laplacian正則，與層次化空間Laplacian正則，尋找最優(yōu)投影方向?qū)崿F(xiàn)半監(jiān)督降維。在Indian Pines等實(shí)際高光譜數(shù)據(jù)上進(jìn)行實(shí)驗仿真，結(jié)果顯示：與PCA，LDA，LPP，SDLA降維算法相比，能夠更好的提取判別性的特征，在采用SVM等基本分類器時，分類正確率有所提高。 （3）設(shè)計了一種基于空譜張量稀疏表示的高光譜數(shù)據(jù)分類算法。張量能夠?qū)⒏吖庾V數(shù)據(jù)的空譜信息聯(lián)合表示，有望對高光譜數(shù)據(jù)實(shí)現(xiàn)更高效的處理。在稀疏表示分類器的基礎(chǔ)上，設(shè)計了空譜張量稀疏表示分類器。在稀疏表示的過程中，考慮高光譜圖像的空間一致性，采用張量稀疏表示快速高效的求解稀疏系數(shù)，用于預(yù)測高光譜數(shù)據(jù)的標(biāo)簽。在Indian Pines、Salinas和Pavia University等實(shí)際高光譜數(shù)據(jù)上進(jìn)行實(shí)驗仿真，實(shí)驗結(jié)果表明：本章提出的方法能得到很高的地物識別率。 本文的工作得到了國家重點(diǎn)基礎(chǔ)研究發(fā)展計劃（973計劃）： No.2013CB329402，國家自然科學(xué)基金61072108，60601029，60971112，61173090)，新世紀(jì)優(yōu)秀人才項目：NCET-10-0668，高等學(xué)校學(xué)科創(chuàng)新引智計劃（111計劃）：No. B0704，教育部博士點(diǎn)基金(20120203110005)，武器裝備預(yù)研基金項目(9*****)，以及華為創(chuàng)新研究計劃項目(IRP-2013-01-09)的資助。
[Abstract]:Classification of hyperspectral image data is one of the hot issues in remote sensing data interpretation in recent years. With the development of hyperspectral imaging technology, the spatial resolution of the obtained image data has been significantly improved. It is possible to use spatial information in classification. Based on mining spatial information of hyperspectral data, this paper studies the strategy of combining spectrum and spatial information. Several spatial spectrum joint dimension reduction and classification methods for semi-supervised hyperspectral data are designed. Firstly, under the assumption of spatial consistency of hyperspectral data, a hierarchical local structure of spatial domain is mined. Based on the non-negative low rank representation of the joint spectral data, a sparse perceptual map is constructed, which is used to form Laplacian regularization, which is used to realize semi-supervised learning under the condition of very few labeled samples. The proposed method can be used to classify the actual hyperspectral data such as Indian Pinesco Salinas and Pavia University. The experimental results show that the algorithm can effectively improve the recognition rate of the classifier by introducing spatial information. Especially in the case of small samples. In this paper, a dimensionality reduction method for hyperspectral data based on space-spectrum representation learning is designed. In order to solve the problem of large scale of regular graph in semi-supervised dimensionality reduction, data selection is reduced to sparse representation problem. Representation learning is used to obtain "representative" data. Spectral Laplacian regularity of sparse samples is constructed in linear discriminant analysis (LDA), and Laplacian canonical in hierarchical space. In order to find the optimal projection direction and realize semi-supervised dimensionality reduction, the experimental results on the actual hyperspectral data such as Indian Pines show that the algorithm can extract discriminant features better than the PCA-LDA-LPP SDLA dimensionality reduction algorithm. When using SVM and other basic classifiers, The classification accuracy has been improved. (3) A hyperspectral data classification algorithm based on sparse representation of space-spectrum Zhang Liang is designed. Zhang Liang can combine the spatial spectrum information of hyperspectral data, which is expected to achieve more efficient processing of hyperspectral data. On the basis of sparse representation classifier, A space-spectrum Zhang Liang sparse representation classifier is designed. Considering the spatial consistency of hyperspectral images in the sparse representation process, Zhang Liang sparse representation is used to solve the sparse coefficients quickly and efficiently. The experimental results show that the method proposed in this chapter can obtain a high recognition rate of ground objects by using the Indian Pinesco Salinas and Pavia University data for the prediction of the labels of hyperspectral data, and the experimental results show that the proposed method can achieve a high recognition rate of ground objects. The work of this paper has been obtained from the State key basic Research and Development Plan No. 973 (No. 2013CB329402), the National Natural Science Foundation of China (61072108C) 6060102910 / 6097111261173090, the New Century Outstanding talents Project: NCET-10-0668, the discipline Innovation Program 111 of China's institutions of higher Learning, and the doctoral Program of the Ministry of Education. It is funded by the weapons and equipment Advanced Research Fund (WARF) and the Huawei Innovation Research Program (IRP-2013-01-09).
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TP751

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 趙麗青;賈俊濤;姜英輝;王樹峰;李正義;李偉才;;山東主要港口海域及入境船舶壓艙水中病原菌調(diào)查結(jié)果的多維尺度分析[J];中國國境衛(wèi)生檢疫雜志;2013年05期

2 李旅軍;;基于概率保真度的聚類分析算法及應(yīng)用[J];電腦知識與技術(shù);2013年30期

3 張子岳;;EDM系統(tǒng)中酒店地區(qū)聚類分析[J];電子制作;2013年22期

4 張明明;蘆琳;;電能計量中的異常數(shù)據(jù)研究[J];電氣應(yīng)用;2013年S1期

5 郝明;史文中;張華;;一種基于LiDAR數(shù)據(jù)的建筑物自動提取方法[J];測繪通報;2014年04期

6 楊坤;曹益平;;基于視場邊界最大最小聚類分析的快速掃描方法[J];光電子.激光;2014年04期

7 張勝;;譜聚類在圖像識別中的應(yīng)用[J];安徽電子信息職業(yè)技術(shù)學(xué)院學(xué)報;2014年02期

8 孫秀娟;;加權(quán)平均值的改進(jìn)k-means算法[J];電子技術(shù)與軟件工程;2014年04期

9 李洪波;李仁璞;張志旺;周春姐;;一種優(yōu)化的語義條件模糊聚類[J];計算機(jī)科學(xué);2013年10期

10 LI ChunZhong;XU ZongBen;QIAO Chen;LUO Tao;;Hierarchical clustering driven by cognitive features[J];Science China(Information Sciences);2014年01期

相關(guān)博士學(xué)位論文 前10條

1 應(yīng)文豪;基于Parzen Window估計的分類與聚類方法及應(yīng)用研究[D];江南大學(xué);2013年

2 熊小兵;微博網(wǎng)絡(luò)傳播行為中的關(guān)鍵問題研究[D];解放軍信息工程大學(xué);2013年

3 劉麗敏;選擇性聚類融合算法研究[D];中南大學(xué);2013年

4 王強(qiáng);局部疊加基因表達(dá)模式聚類分析方法研究[D];哈爾濱工業(yè)大學(xué);2012年

5 馬龍;基于分形分析和光流估計的運(yùn)動目標(biāo)檢測技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2012年

6 吳思曼（Usman Babawuro）;圖像處理算法在衛(wèi)星圖像自動提取與劃定地籍特征上的應(yīng)用[D];中南大學(xué);2012年

7 Danish Irfan;供應(yīng)鏈管理中的數(shù)據(jù)挖掘方法[D];哈爾濱工業(yè)大學(xué);2010年

8 萬國偉;面向建筑物的三維點(diǎn)云生成、增強(qiáng)和重建技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2011年

9 金瑤;基于支持向量回歸機(jī)的無跡卡爾曼濾波設(shè)計與應(yīng)用[D];中國地質(zhì)大學(xué);2013年

10 張琦;基于聚合場模型的數(shù)據(jù)競爭算法及其應(yīng)用研究[D];哈爾濱工程大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 李亮;基于EEMD樣本熵和模糊聚類的軸承故障診斷方法研究[D];燕山大學(xué);2013年

2 孫麗君;基于SOM的神經(jīng)網(wǎng)絡(luò)聚類方法在臨床檢驗知識發(fā)現(xiàn)中的適用性研究[D];第四軍醫(yī)大學(xué);2013年

3 吳志媛;基于潛在語義索引的Web文本挖掘[D];江南大學(xué);2013年

4 趙洪昌;云計算下的關(guān)聯(lián)分析和模糊聚類研究[D];南京信息工程大學(xué);2013年

5 張?zhí)祜w;模糊函數(shù)主脊切面PSO搜索方法及分選特征研究[D];昆明理工大學(xué);2013年

6 李南;概念漂移數(shù)據(jù)流分類算法及應(yīng)用[D];福建師范大學(xué);2013年

7 李征;基于動態(tài)膜計算的聚類算法[D];河南大學(xué);2013年

8 冶曉隆;基于自相似分析和特征分類的異常流量檢測技術(shù)研究[D];解放軍信息工程大學(xué);2013年

9 常茜茜;面向混合數(shù)據(jù)的劃分式聚類算法研究[D];太原理工大學(xué);2013年

10 程思穎;多標(biāo)簽聚類算法及其評價研究[D];東北師范大學(xué);2013年

本文編號：1650120