本文選題：光譜學(xué) + 流形學(xué)習(xí)��； 參考：《激光技術(shù)》2017年06期

【摘要】：為了挖掘高光譜數(shù)據(jù)的光譜局部特征,從高光譜遙感數(shù)據(jù)內(nèi)在的非線性結(jié)構(gòu)出發(fā),提出了一種基于光譜梯度角的高光譜影像流形學(xué)習(xí)降維方法。采用局部化流形學(xué)習(xí)算法局部保持投影(LPP)對高光譜遙感數(shù)據(jù)進(jìn)行非線性降維,對距離度量進(jìn)行改進(jìn),將能夠更好刻畫高光譜影像光譜局部特征的光譜梯度角相似性度量應(yīng)用于LPP方法,并用真實高光譜圖像進(jìn)行降維實驗,取得了優(yōu)于LPP方法和采用光譜角的LPP方法的結(jié)果。結(jié)果表明,在光譜規(guī)范化特征值方面,所提方法優(yōu)于LPP方法和采用光譜角的LPP方法;在信息量的保持方面,具有更好的局部細(xì)節(jié)信息保持量。采用光譜梯度角的流形學(xué)習(xí)方法用于高光譜影像降維能取得較好的降維效果。
[Abstract]:Based on the intrinsic nonlinear structure of hyperspectral remote sensing data, a dimensionality reduction method for hyperspectral image manifold learning based on spectral gradient angle is proposed in order to mine the local spectral characteristics of hyperspectral data.The local manifold learning algorithm (LPP) is used to reduce the nonlinear dimension of hyperspectral remote sensing data, and the distance measurement is improved.The similarity measure of spectral gradient angle which can better depict the local characteristics of hyperspectral images is applied to LPP method. The dimension reduction experiments of real hyperspectral images are carried out. The results obtained are better than that of LPP method and LPP method with spectral angle.The results show that the proposed method is superior to the LPP method and the LPP method based on spectral angle in terms of spectral normalized eigenvalues, and has better local detail information retention in terms of information retention.Using the manifold learning method of spectral gradient angle to reduce the dimension of hyperspectral image, a better dimensionality reduction effect is obtained.
【作者單位】： 空軍航空大學(xué)航空航天情報系;
【基金】：吉林省教育廳“十二五”科研項目(2015448) 吉林省科技發(fā)展計劃資助項目(20140101213JC)
【分類號】：TP751

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 丁玲;唐娉;李宏益;;基于流形學(xué)習(xí)的混合光譜解混分析[J];紅外與激光工程;2013年09期

2 劉康;錢旭;王自強(qiáng);;基于流形主動學(xué)習(xí)的遙感圖像分類算法[J];計算機(jī)應(yīng)用;2013年02期

3 范冬娟;張韶華;;高光譜影像反射率反演方法的研究[J];海洋測繪;2006年03期

4 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

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

6 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

7 楊可明;陳云浩;郭達(dá)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

8 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

9 楊可明;李慧;郭達(dá)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

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

相關(guān)會議論文 前4條

1 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(qiáng)方法[A];圖像圖形技術(shù)與應(yīng)用進(jìn)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

2 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

3 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

4 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3條

1 黃紅兵;層次流形學(xué)習(xí)及其在監(jiān)督分類中的應(yīng)用[D];上海交通大學(xué);2015年

2 馬曉瑞;基于深度學(xué)習(xí)的高光譜影像分類方法研究[D];大連理工大學(xué);2017年

3 楊國鵬;基于機(jī)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

相關(guān)碩士學(xué)位論文 前10條

1 張杰;面向高光譜遙感圖像分類的流形學(xué)習(xí)研究[D];重慶大學(xué);2015年

2 盧雨風(fēng);高光譜圖像流形學(xué)習(xí)算法研究[D];電子科技大學(xué);2016年

3 王立志;基于流形學(xué)習(xí)的高光譜圖像降維與分類研究[D];重慶大學(xué);2012年

4 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

5 祝鵬飛;面向?qū)ο蟮母吖庾V影像地物分類技術(shù)研究[D];解放軍信息工程大學(xué);2011年

6 楊國鵬;基于核方法的高光譜影像分類與特征提取[D];解放軍信息工程大學(xué);2007年

7 潘競文;半監(jiān)督鄰域保持嵌入在高光譜影像分類中的應(yīng)用[D];重慶大學(xué);2014年

8 徐衛(wèi)霄;高光譜影像集成學(xué)習(xí)分類及后處理技術(shù)研究[D];解放軍信息工程大學(xué);2011年

9 聞兵工;地物光譜特征分析技術(shù)研究[D];解放軍信息工程大學(xué);2009年

10 陳偉;高光譜影像混合像元分解技術(shù)研究[D];解放軍信息工程大學(xué);2009年

，

本文編號：1749778