本文選題：高光譜數(shù)據(jù) + 半監(jiān)督圖　； 參考：《西安電子科技大學(xué)》2015年碩士論文

【摘要】：高光譜遙感技術(shù)的快速發(fā)展,為地物的精確分類帶來契機(jī)。對于高光譜數(shù)據(jù)而言,無監(jiān)督分類方法不能獲得很好的分類效果,而監(jiān)督分類方法由于在獲取標(biāo)記樣本時耗費人力物力,使得分類器泛化能力不強(qiáng)。因此,能夠同時利用少量標(biāo)記樣本以及大量未標(biāo)記樣本的半監(jiān)督方法成為研究的熱點,其中基于圖的半監(jiān)督方法由于能通過圖有效的反映數(shù)據(jù)之間的信息,逼近數(shù)據(jù)之間的流形結(jié)構(gòu)而受到廣泛關(guān)注。然而,高光譜的高特征維度和數(shù)據(jù)規(guī)模,使得傳統(tǒng)基于圖的算法承受巨大的計算和存儲壓力。本文為了解決該問題,提出了幾種以錨點圖正則為核心的面向大規(guī)模高光譜數(shù)據(jù)的半監(jiān)督地物分類方法:(1)提出一種基于模糊錨點圖正則的高光譜圖像分類算法,選取數(shù)目遠(yuǎn)小于樣本總數(shù)的錨點用于標(biāo)簽預(yù)測,能夠有效減輕傳統(tǒng)基于圖的半監(jiān)督算法中由于高光譜數(shù)據(jù)規(guī)模巨大而帶來的計算和存儲問題。首先,通過基于空間近鄰加權(quán)值的核模糊C均值聚類選取錨點并得到隸屬度矩陣,然后計算交叉相似度矩陣,并利用該矩陣構(gòu)建模糊錨點圖正則,通過優(yōu)化求解目標(biāo)函數(shù),得到錨點的標(biāo)簽,最后根據(jù)線性關(guān)系計算未標(biāo)記樣本的標(biāo)記。根據(jù)實驗仿真,與一些經(jīng)典的高光譜圖像分類算法進(jìn)行比較,可以看出本章算法與其它算法相比具有較好的分類效果。(2)提出一種基于局部模糊錨點圖正則和松弛聚類的高光譜圖像分類算法,在上一章算法的基礎(chǔ)之上,利用交叉相似度矩陣對高光譜數(shù)據(jù)進(jìn)行聚類與空間分割,將圖像分割成為一系列的超像素,將每個超像素與周圍的超像素聯(lián)合起來組成超像素集,計算超像素集中樣本之間的相似度,將其用于構(gòu)建局部模糊錨點圖正則,并引入松弛聚類假設(shè),減小混合像元對分類精度帶來的負(fù)面影響,之后對每個超像素集迭代計算錨點標(biāo)簽和樣本屬于各個類別的概率向量,使用迭代得到錨點的標(biāo)簽對超像素中樣本的進(jìn)行標(biāo)簽預(yù)測。在實際高光譜數(shù)據(jù)上進(jìn)行仿真,可以看出本章算法具有明顯的優(yōu)勢,分類效果更好,具有空間局部一致性。(3)提出一種基于模糊錨點圖正則的高光譜分類算法分布式實現(xiàn),首先采用隨機(jī)采樣和規(guī)則采樣對數(shù)據(jù)進(jìn)行分配,并發(fā)送給各個子系統(tǒng),接著使用分布式基于空間近鄰加權(quán)的核模糊C均值聚類方法選取錨點,針對不同的數(shù)據(jù)采樣方式實現(xiàn)相應(yīng)基于錨點圖正則的分布式算法。通過實驗可以看出,本方法能夠被實現(xiàn),說明并行方法的可行性。
[Abstract]:The rapid development of hyperspectral remote sensing technology brings opportunities for accurate classification of ground objects. For hyperspectral data, the unsupervised classification method can not achieve a good classification effect, but the supervised classification method does not have strong generalization ability because it consumes manpower and material resources to obtain labeled samples. Therefore, the semi-supervised method, which can use a small number of labeled samples and a large number of unlabeled samples at the same time, has become a hot research topic, and the graph-based semi-supervised method can effectively reflect the information between the data through the graph. Approximation of manifold structures between data has attracted widespread attention. However, hyperspectral hypercharacteristic dimension and data scale make the traditional graph-based algorithms bear huge computational and storage pressures. In order to solve this problem, several semi-supervised classification methods for large-scale hyperspectral data based on anchor map regularization are proposed. (1) A hyperspectral image classification algorithm based on fuzzy anchor map regularization is proposed. The selection of anchor points which are far less than the total number of samples for label prediction can effectively alleviate the computational and storage problems caused by the large scale of hyperspectral data in traditional graph-based semi-supervised algorithms. Firstly, the anchor points are selected by the kernel fuzzy C-means clustering based on the weighted value of spatial nearest neighbor, and the membership matrix is obtained. Then, the cross-similarity matrix is calculated, and the fuzzy anchor graph is constructed to be regular, and the objective function is optimized. Finally, the labels of the unlabeled samples are calculated according to the linear relationship. According to the experimental simulation, compared with some classical hyperspectral image classification algorithms, It can be seen that this algorithm has better classification effect than other algorithms. (2) A hyperspectral image classification algorithm based on local fuzzy anchor graph regularization and relaxation clustering is proposed, which is based on the previous chapter. Using cross-similarity matrix to cluster and segment hyperspectral data, the image is segmented into a series of super-pixels, and each super-pixel is combined with the surrounding super-pixel to form a super-pixel set. The similarity between samples in hyperpixel set is calculated and used to construct local fuzzy anchor graph regularization. The relaxed clustering hypothesis is introduced to reduce the negative effect of mixed pixels on classification accuracy. Then the anchor label and the probability vector of the sample belonging to each class are calculated iteratively for each super-pixel set, and the label of the anchor point is used to predict the label of the sample in the super-pixel. Simulation on the actual hyperspectral data shows that this algorithm has obvious advantages, better classification effect and spatial local consistency. (3) A distributed hyperspectral classification algorithm based on fuzzy anchor graph regularization is proposed. Firstly, random sampling and regular sampling are used to distribute the data and send them to each subsystem. Then the distributed kernel fuzzy C-means clustering method based on spatial nearest neighbor weighting is used to select anchor points. A distributed algorithm based on anchor graph regularization is implemented for different data sampling methods. The experiment shows that the method can be implemented and the feasibility of the parallel method is demonstrated.
【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】：2015
【分類號】：TP751

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 高陽;王雪松;程玉虎;黃飛;;基于非負(fù)稀疏嵌入投影的高光譜數(shù)據(jù)降維方法[J];中國礦業(yè)大學(xué)學(xué)報;2012年06期

2 陳新忠;胡匯涓;王雪松;;基于加權(quán)近鄰保持嵌入的高光譜數(shù)據(jù)降維方法[J];中國礦業(yè)大學(xué)學(xué)報;2013年06期

3 王旭紅;肖平;郭建明;;高光譜數(shù)據(jù)降維技術(shù)研究[J];水土保持通報;2006年06期

4 王祥濤;馮燕;陳武;;基于改進(jìn)獨立分量分析的高光譜數(shù)據(jù)分類研究[J];計算機(jī)仿真;2009年11期

5 王祥濤;馮燕;吳政;;高光譜數(shù)據(jù)分類新方法研究[J];計算機(jī)工程與應(yīng)用;2010年10期

6 殷岳萌;馮燕;劉萌萌;;基于獨立分量分析和相關(guān)向量機(jī)的高光譜數(shù)據(jù)分類[J];現(xiàn)代電子技術(shù);2010年13期

7 姜小光,唐伶俐,王長耀,王成;高光譜數(shù)據(jù)的光譜信息特點及面向?qū)ο蟮奶卣鲄?shù)選擇——以北京順義區(qū)為例[J];遙感技術(shù)與應(yīng)用;2002年02期

8 張遠(yuǎn)飛;吳德文;張艮中;朱谷昌;李紅;;高光譜數(shù)據(jù)的波段序結(jié)構(gòu)分析與應(yīng)用研究[J];國土資源遙感;2010年01期

9 肖海燕;曾輝;昝啟杰;白鈺;程好好;;基于高光譜數(shù)據(jù)和專家決策法提取紅樹林群落類型信息[J];遙感學(xué)報;2007年04期

10 曹揚;趙慧潔;黃四牛;李娜;張佩;;基于高效置信傳播的改進(jìn)馬爾可夫隨機(jī)場高光譜數(shù)據(jù)分類算法[J];模式識別與人工智能;2014年03期

相關(guān)會議論文 前10條

1 郭宇龍;李云梅;;環(huán)境1號衛(wèi)星高光譜數(shù)據(jù)重建及其精度分析[A];第十七屆中國環(huán)境遙感應(yīng)用技術(shù)論壇論文集[C];2013年

2 李云梅;蔣建軍;韋玉春;;利用地面實測高光譜數(shù)據(jù)評價太湖富營養(yǎng)化狀態(tài)[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 姜小光;王長耀;王成;;高光譜數(shù)據(jù)的光譜信息特點及面向?qū)ο蟮奶卣鲄?shù)選擇——以北京順義區(qū)為例[A];第十三屆全國遙感技術(shù)學(xué)術(shù)交流會論文摘要集[C];2001年

4 楊仁忠;馬利春;石璐;王欣;;基于GPU的高光譜數(shù)據(jù)實時處理平臺結(jié)構(gòu)設(shè)計與分析[A];第二十五屆全國空間探測學(xué)術(shù)研討會摘要集[C];2012年

5 張霞;張兵;胡方超;童慶禧;;CHRIS高光譜數(shù)據(jù)大氣自校正與儀器定標(biāo)精度評價[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

6 李英杰;薛勇;光潔;何興偉;梅林露;王穎;徐慧;艾建文;;環(huán)境小衛(wèi)星高光譜數(shù)據(jù)在氣溶膠定量反演及沙塵監(jiān)測中的應(yīng)用初探[A];第十七屆中國遙感大會摘要集[C];2010年

7 董廣軍;;PHI高光譜數(shù)據(jù)光譜重建及城市分類應(yīng)用研究[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

8 曹揚;胡榮;金彬;張佩;;一種準(zhǔn)確快速的高光譜數(shù)據(jù)光譜混合分析方法[A];第二屆高分辨率對地觀測學(xué)術(shù)年會論文集[C];2013年

9 陳軍;楊存建;許輝熙;程曦冉;;MODIS高光譜數(shù)據(jù)的初步分析和應(yīng)用探討[A];第十四屆全國遙感技術(shù)學(xué)術(shù)交流會論文摘要集[C];2003年

10 張萌;趙慧潔;李娜;;高光譜數(shù)據(jù)光譜分辨率對礦物識別的影響分析[A];2006年全國光電技術(shù)學(xué)術(shù)交流會會議文集（D 光電信息處理技術(shù)專題）[C];2006年

相關(guān)博士學(xué)位論文 前5條

1 李興;高光譜數(shù)據(jù)庫及數(shù)據(jù)挖掘研究[D];中國科學(xué)院研究生院（遙感應(yīng)用研究所）;2006年

2 張兵;時空信息輔助下的高光譜數(shù)據(jù)挖掘[D];中國科學(xué)院研究生院（遙感應(yīng)用研究所）;2002年

3 邢東興;基于高光譜數(shù)據(jù)的果樹理化性狀信息提取研究[D];西北農(nóng)林科技大學(xué);2009年

4 滿其霞;激光雷達(dá)和高光譜數(shù)據(jù)融合的城市土地利用分類方法研究[D];華東師范大學(xué);2015年

5 高曉惠;高光譜數(shù)據(jù)處理技術(shù)研究[D];中國科學(xué)院研究生院（西安光學(xué)精密機(jī)械研究所）;2013年

相關(guān)碩士學(xué)位論文 前10條

1 李志花;基于C#的冬小麥長勢高光譜數(shù)據(jù)處理系統(tǒng)開發(fā)[D];山西農(nóng)業(yè)大學(xué);2015年

2 楚萬林;基于高光譜數(shù)據(jù)的棉花生長信息模型模擬研究[D];西北農(nóng)林科技大學(xué);2015年

3 趙興;基于深度置信網(wǎng)集成的高光譜數(shù)據(jù)分類方法研究[D];哈爾濱工業(yè)大學(xué);2015年

4 鄭思遠(yuǎn);面向異常檢測的高光譜數(shù)據(jù)線性子空間估計[D];國防科學(xué)技術(shù)大學(xué);2013年

5 陳芳;基于HJ1A高光譜數(shù)據(jù)和CCD數(shù)據(jù)的植被信息提取方法研究[D];福建農(nóng)林大學(xué);2015年

6 姜含露;基于卷積神經(jīng)網(wǎng)的高光譜數(shù)據(jù)特征提取及分類技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2016年

7 李素婧;面向大規(guī)模高光譜數(shù)據(jù)的半監(jiān)督地物分類方法[D];西安電子科技大學(xué);2015年

8 蘇樂樂;改進(jìn)型人工免疫系統(tǒng)及其在高光譜數(shù)據(jù)處理中的應(yīng)用[D];中國地質(zhì)大學(xué)（北京）;2009年

9 喬宇;基于松馳聚類假設(shè)的高光譜數(shù)據(jù)分類研究[D];西安電子科技大學(xué);2014年

10 王鑫祿;城市高光譜數(shù)據(jù)的頻譜空間分類方法研究[D];吉林大學(xué);2010年

，

本文編號：2079371