本文選題：高光譜圖像 + 監(jiān)督分類��； 參考：《南京理工大學(xué)》2017年碩士論文

【摘要】：高光譜遙感圖像作為一種新型細(xì)分光譜成像遙感技術(shù),已經(jīng)廣泛應(yīng)用于軍事勘測、環(huán)境調(diào)查、災(zāi)害評估、礦物探測等各個領(lǐng)域。高光譜圖像監(jiān)督分類是高光譜圖像處理中的重要組成部分。傳統(tǒng)監(jiān)督分類方法僅僅挖掘了光譜維度的信息,但是忽視空間維度中包含的豐富信息,導(dǎo)致它們的分類效果不夠理想。此外,高光譜圖像的數(shù)據(jù)量較大,普通方法的算法復(fù)雜度比較高,造成分類的效率較低。因此,迫切需要開發(fā)一種能夠充分挖掘空譜信息的兼具高效和高精度的高光譜圖像分類方法。極限學(xué)習(xí)機(ELM)是一種新型的單隱層前饋神經(jīng)網(wǎng)絡(luò)算法,它能隨機生成單隱層參數(shù),因此具有快速學(xué)習(xí)、泛化能力強的特點。本文詳細(xì)分析了極限學(xué)習(xí)機在高光譜圖像分類中的優(yōu)勢和問題,接著從特征提取和核函數(shù)兩個方面對極限學(xué)習(xí)機方法進行改進,針對像素級ELM監(jiān)督分類錯誤率高的問題重點研究了一個空譜聯(lián)合信息的ELM高光譜圖像分類方法,集成了主成分分析、獨立成分分析等幾種特征提取方法和支持向量機、核支持向量機、極限學(xué)習(xí)機、核極限學(xué)習(xí)機等幾種監(jiān)督分類方法設(shè)計實現(xiàn)了一個"特征提取-監(jiān)督分類-精度評價"一體化的高光譜圖像監(jiān)督分類算法原型系統(tǒng)。本文主要工作為:(1)設(shè)計了各類特征提取方法與常規(guī)ELM結(jié)合的高光譜圖像監(jiān)督分類兩步方法。實驗分析表明:不同特征提取方法(如主成分分析PCA、獨立成分分析ICA、局部保持投影LPP、核主成分分析KPCA等)都能提高常規(guī)ELM對高光譜圖像監(jiān)督分類的精度。相比而言,KPCA與ELM的結(jié)合性能更佳。(2)比較研究了核化ELM框架中不同核函數(shù)對高光譜圖像分類的影響,設(shè)計了結(jié)合復(fù)合核(Composite Kernel)和核化ELM(KELM)的高光譜圖像監(jiān)督分類方法,稱為KELM-CK。該方法綜合了空間-光譜維度信息,提升了小樣本情況下的監(jiān)督分類精度并克服了噪聲影響。各類數(shù)據(jù)集上驗證了該方法的有效性。(3)提出一種基于核范2DPCA(N-2DPCA)和KELM的多視學(xué)習(xí)監(jiān)督分類方法。該方法利用N-2DPCA抽取高光譜圖像不同視角下的空譜特征,通過多個KELM分類器集成學(xué)習(xí)和多數(shù)投票,可取得很高的監(jiān)督分類精度。實驗表明,該方法優(yōu)于SVM、SVM-CK、ELM、MH_KELM等主流方法。(4)設(shè)計并實現(xiàn)一個高光譜圖像分類原型系統(tǒng)。該系統(tǒng)集成多種特征提取方法和監(jiān)督分類算法,其能夠?qū)崿F(xiàn)"特征提取-監(jiān)督分類-精度評價"的功能。
[Abstract]:As a new subdivision spectral imaging remote sensing technology, hyperspectral remote sensing image has been widely used in military survey, environmental investigation, disaster assessment, mineral exploration and other fields. Hyperspectral image supervised classification is an important part of hyperspectral image processing. The traditional supervised classification method only excavates the spectral dimension information, but neglects the rich information contained in the spatial dimension, resulting in their classification effect is not ideal. In addition, the amount of data in hyperspectral images is large, and the algorithm complexity of common methods is high, which results in low efficiency of classification. Therefore, there is an urgent need to develop a highly efficient and accurate hyperspectral image classification method which can fully mine space-spectrum information. ELM) is a new single hidden layer feedforward neural network algorithm, which can generate single hidden layer parameters at random, so it has the characteristics of fast learning and strong generalization ability. In this paper, the advantages and problems of extreme learning machine in hyperspectral image classification are analyzed in detail, and then the method of extreme learning machine is improved from two aspects: feature extraction and kernel function. Aiming at the problem of high error rate of pixel level ELM supervised classification, this paper focuses on a ELM hyperspectral image classification method based on space-spectrum joint information, which integrates several feature extraction methods such as principal component analysis (PCA) and independent component analysis (ICA) and support vector machine (SVM). Several supervised classification methods such as kernel support vector machine (KSVM), extreme learning machine (LLM) and kernel extreme learning machine (KLM) are designed and implemented to realize a hyper spectral image supervised classification algorithm prototype system which integrates feature extraction, supervised classification and accuracy evaluation. The main work of this paper is to design a two-step method of hyperspectral image supervised classification, which combines all kinds of feature extraction methods with conventional ELM. The experimental results show that different feature extraction methods (such as PCA, ICA, LPP, KPCA, etc.) can improve the accuracy of supervised classification of hyperspectral images by conventional ELM. In this paper, the effects of different kernel functions on hyperspectral image classification in the framework of kernelized ELM are compared and studied. A hyperspectral image supervised classification method combined with Composite Kernel and Kernel Kernel Kernel is designed, which is called KELM-CK. This method integrates spatial and spectral dimension information, improves the accuracy of supervised classification in the case of small samples and overcomes the influence of noise. The validity of this method is verified on various datasets.) A multi-view learning supervised classification method based on kernel norm 2DPCACN-2DPCAA and KELM is proposed. This method utilizes N-2DPCA to extract space-spectrum features from different angles of view of hyperspectral images, and achieves high supervised classification accuracy by integrating learning and majority voting with multiple KELM classifiers. The experimental results show that this method is superior to SVMN SVM-CKM ELMHKELM and other mainstream methods in designing and implementing a hyperspectral image classification prototype system. The system integrates various feature extraction methods and supervised classification algorithms, and it can realize the function of feature extraction, supervised classification and accuracy evaluation.
【學(xué)位授予單位】：南京理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP751

【相似文獻】

相關(guān)期刊論文 前10條

1 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(xué)報;2008年09期

2 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

3 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(xué)院學(xué)報;2013年06期

4 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

5 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

6 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(xué)自然科學(xué)學(xué)報;2010年06期

7 馮朝麗;朱啟兵;朱曉;黃敏;;基于光譜特征的玉米品種高光譜圖像識別[J];江南大學(xué)學(xué)報(自然科學(xué)版);2012年02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(xué)院學(xué)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(xué)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10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(yīng)用研討會論文集[C];2004年

2 高連如;張兵;孫旭;李山山;張文娟;;高光譜數(shù)據(jù)降維與分類技術(shù)研究[A];第八屆成像光譜技術(shù)與應(yīng)用研討會暨交叉學(xué)科論壇文集[C];2010年

3 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(xué)（激光）聯(lián)合學(xué)術(shù)‘13年會論文（摘要）集[C];2013年

4 孫蕾;羅建書;;基于分類預(yù)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(xué)術(shù)會議（HHME2005）論文集[C];2005年

5 楊勇;劉木華;鄒小蓮;苗蓬勃;趙珍珍;;基于高光譜圖像技術(shù)的獼猴桃硬度品質(zhì)檢測[A];走中國特色農(nóng)業(yè)機械化道路——中國農(nóng)業(yè)機械學(xué)會2008年學(xué)術(shù)年會論文集（下冊）[C];2008年

6 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(yīng)用研討會暨交叉學(xué)科論壇文集[C];2010年

7 高東生;高連知;;基于獨立分量分析的高光譜圖像目標(biāo)盲探測方法研究[A];國家安全地球物理叢書（八）——遙感地球物理與國家安全[C];2012年

8 馮維一;陳錢;何偉基;;基于小波稀疏的高光譜目標(biāo)探測算法[A];黑龍江、江蘇、山東、河南、江西 五省光學(xué)（激光）聯(lián)合學(xué)術(shù)‘13年會論文（摘要）集[C];2013年

9 彭妮娜;易維寧;方勇華;;基于核函數(shù)的高光譜圖像信息提取研究[A];光子科技創(chuàng)新與產(chǎn)業(yè)化——長三角光子科技創(chuàng)新論壇暨2006年安徽博士科技論壇論文集[C];2006年

10 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(xué)學(xué)會2010年光學(xué)大會論文集[C];2010年

相關(guān)博士學(xué)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(fù)旦大學(xué);2014年

2 王亮亮;非線性流形結(jié)構(gòu)在高光譜圖像異常檢測中的應(yīng)用研究[D];國防科學(xué)技術(shù)大學(xué);2014年

3 賀智;改進的經(jīng)驗?zāi)B(tài)分解算法及其在高光譜圖像分類中的應(yīng)用[D];哈爾濱工業(yè)大學(xué);2014年

4 魏然;基于成像機理分析的高光譜圖像信息恢復(fù)研究[D];哈爾濱工業(yè)大學(xué);2015年

5 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(xué);2015年

6 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(xué);2014年

7 孫濤;快速多核學(xué)習(xí)分類研究及應(yīng)用[D];西安電子科技大學(xué);2015年

8 李昌國;基于譜間和校正相關(guān)性的高光譜圖像壓縮方法研究及GPU并行實現(xiàn)[D];成都理工大學(xué);2015年

9 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(xué);2015年

10 南一冰;星載推掃型高光譜運動成像誤差建模與高精度校正技術(shù)研究[D];北京理工大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 豐爍;高光譜圖像波段選取問題的改進算法研究[D];昆明理工大學(xué);2015年

2 趙偉彥;果蔬干燥過程中的品質(zhì)無損檢測技術(shù)研究[D];江南大學(xué);2015年

3 馬亞楠;果蔬中內(nèi)部害蟲的高光譜圖像檢測技術(shù)研究[D];江南大學(xué);2015年

4 劉大洋;基于近紅外光譜和高光譜圖像技術(shù)無損識別獼猴桃膨大果[D];西北農(nóng)林科技大學(xué);2015年

5 王坤;高光譜圖像異常目標(biāo)檢測及光譜成像在偽裝評估方面的應(yīng)用研究[D];南京理工大學(xué);2015年

6 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(xué);2015年

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

8 李秩期;基于高光譜及多信息融合的馬鈴薯外部缺陷無損檢測研究[D];寧夏大學(xué);2015年

9 王健;基于高光譜圖像的馬鈴薯形狀及重量分類識別建模研究[D];寧夏大學(xué);2015年

10 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(xué);2015年

，

本文編號：1902238