本文選題：高光譜圖像分類 + 特征提取　； 參考：《遙感學報》2017年05期

【摘要】：在樣本數(shù)目稀少情況下實現(xiàn)高光譜圖像精細分類是個挑戰(zhàn)性的問題。高光譜圖像信噪比提高比較困難,噪聲大小對分類結(jié)果有最直接的影響。利用高光譜圖像相鄰波段之間的相關(guān)性和相鄰像素之間的相關(guān)性,提出多級降噪濾波的高光譜圖像分類方法,通過改進的兩階段稀疏與低秩矩陣分解方法,去除高光譜圖像中能量較高的噪聲,利用主成分分析方法去除高光譜圖像中能量較低的噪聲,引導濾波方法去除分類結(jié)果圖中的"椒鹽噪聲"。選取兩幅真實高光譜圖像進行實驗,結(jié)果表明,兩階段稀疏與低秩矩陣分解法和主成分分析法兩種降噪方法具有較強的互補性;引導濾波方法使得分類圖更加平滑且分類精度更高。與其他光譜空間分類方法相比,本文方法分類精度更高,且在樣本極少時能獲得很高的分類精度。
[Abstract]:It is a challenging problem to realize hyperspectral image fine classification when the number of samples is scarce. It is difficult to improve the signal-to-noise ratio of hyperspectral images, and the noise level has the most direct influence on the classification results. Based on the correlation between adjacent bands and adjacent pixels of hyperspectral images, a multilevel de-noising filtering method for hyperspectral image classification is proposed. The improved two-stage sparse matrix decomposition method and low-rank matrix decomposition method are used to classify hyperspectral images. The noise with high energy in hyperspectral image is removed, the noise with low energy in hyperspectral image is removed by principal component analysis, and the "salt and pepper noise" is removed by guided filtering method. Two real hyperspectral images are selected for experiments. The results show that the two methods of sparse matrix decomposition and low rank matrix decomposition and principal component analysis are complementary to each other. The guided filtering method makes the classification map smoother and the classification accuracy higher. Compared with other spectral spatial classification methods, this method has higher classification accuracy and can obtain high classification accuracy when few samples are available.
【作者單位】： 山東科技大學計算機科學與工程學院;
【基金】：國家自然科學基金(編號:41406200) 山東省自然科學基金(編號:ZR2014DQ030)~~
【分類號】：TP751

【相似文獻】

相關(guān)期刊論文 前10條

1 陳雨時;張曄;張鈞萍;;基于線性模型最優(yōu)預測的高光譜圖像壓縮[J];南京航空航天大學學報;2007年03期

2 諶德榮;宮久路;陳乾;曹旭平;;基于樣本分割的快速高光譜圖像異常檢測支持向量數(shù)據(jù)描述方法[J];兵工學報;2008年09期

3 蒲曉豐;雷武虎;張林虎;蔣奇材;;基于Fukunaga-Koontz變換的高光譜圖像異常檢測[J];紅外技術(shù);2010年04期

4 成寶芝;郭宗光;;高光譜圖像波段間相關(guān)特性研究[J];大慶師范學院學報;2013年06期

5 楊龍;易宏杰;李因彥;;遙感高光譜圖像赤潮識別[J];傳感器世界;2007年05期

6 汪倩;陶鵬;;結(jié)合空間信息的高光譜圖像快速分類方法[J];微計算機信息;2010年21期

7 王立國;孫杰;肖倩;;結(jié)合空-譜信息的高光譜圖像分類方法[J];黑龍江大學自然科學學報;2010年06期

8 付歡;龍海南;韓曉霞;;基于冗余字典的高光譜圖像的稀疏分解[J];河北軟件職業(yè)技術(shù)學院學報;2013年04期

9 耿修瑞,張霞,陳正超,張兵,鄭蘭芬,童慶禧;一種基于空間連續(xù)性的高光譜圖像分類方法[J];紅外與毫米波學報;2004年04期

10 張綺瑋;機載高光譜遙感圖像處理軟件系統(tǒng)[J];紅外;2005年02期

相關(guān)會議論文 前5條

1 張兵;王向偉;鄭蘭芬;童慶禧;;高光譜圖像地物分類與識別研究[A];成像光譜技術(shù)與應用研討會論文集[C];2004年

2 王成;何偉基;陳錢;;基于波段重組和小波變換的高光譜圖像嵌入式壓縮方法[A];黑龍江、江蘇、山東、河南、江西 五省光學（激光）聯(lián)合學術(shù)‘13年會論文（摘要）集[C];2013年

3 孫蕾;羅建書;;基于分類預測的高光譜遙感圖像無損壓縮[A];第一屆建立和諧人機環(huán)境聯(lián)合學術(shù)會議（HHME2005）論文集[C];2005年

4 張曉紅;張立福;王晉年;童慶禧;;HJ-1A衛(wèi)星高光譜遙感圖像質(zhì)量綜合評價[A];第八屆成像光譜技術(shù)與應用研討會暨交叉學科論壇文集[C];2010年

5 蒲曉豐;雷武虎;黃濤;王迪;;基于穩(wěn)健背景子空間的高光譜圖像異常檢測[A];中國光學學會2010年光學大會論文集[C];2010年

相關(guān)博士學位論文 前10條

1 普晗曄;高光譜遙感圖像的解混理論和方法研究[D];復旦大學;2014年

2 賀智;改進的經(jīng)驗模態(tài)分解算法及其在高光譜圖像分類中的應用[D];哈爾濱工業(yè)大學;2014年

3 葉珍;高光譜圖像特征提取與分類算法研究[D];西北工業(yè)大學;2015年

4 馮婕;基于軟計算和互信息理論的遙感圖像地物分類[D];西安電子科技大學;2014年

5 曲海成;面向光譜解混的高光譜圖像快速處理技術(shù)研究[D];哈爾濱工業(yè)大學;2016年

6 王忠良;基于線性混合模型的高光譜圖像壓縮感知研究[D];西北工業(yè)大學;2015年

7 賀霖;高光譜圖像自動目標檢測技術(shù)研究[D];西北工業(yè)大學;2007年

8 周爽;蟻群算法在高光譜圖像降維和分類中的應用研究[D];哈爾濱工業(yè)大學;2010年

9 高恒振;高光譜遙感圖像分類技術(shù)研究[D];國防科學技術(shù)大學;2011年

10 徐速;基于壓縮感知的高光譜圖像稀疏解混方法研究[D];重慶大學;2015年

相關(guān)碩士學位論文 前10條

1 王啟聰;高光譜圖像分類的GPU并行優(yōu)化研究[D];南京理工大學;2015年

2 程凱;無先驗信息的高光譜圖像小目標檢測算法研究[D];蘇州大學;2015年

3 吳蓓芬;偏振高光譜圖像場景仿真及分類方法研究[D];哈爾濱工業(yè)大學;2015年

4 霍瑩;高光譜CCD機載相機檢測設(shè)備研制[D];長春理工大學;2015年

5 王磊;基于張量的高光譜遙感圖像壓縮研究[D];復旦大學;2014年

6 鄔文慧;空譜聯(lián)合高光譜遙感圖像半監(jiān)督分類[D];西安電子科技大學;2014年

7 王依萍;基于主動學習的高光譜圖像分類方法研究[D];西安電子科技大學;2014年

8 劉嘉慧;基于稀疏表示的高光譜圖像分類和解混方法研究[D];西安電子科技大學;2014年

9 王U喺，

本文編號：1842913