【摘要】：目前,高光譜遙感技術(shù)已經(jīng)相對(duì)成熟,高光譜圖像具有的高分辨率和圖譜合一等特點(diǎn)讓高光譜圖像在很多領(lǐng)域都得到了廣泛的應(yīng)用。高光譜圖像分類(lèi)技術(shù)作為高光譜遙感技術(shù)之一,也受到了眾多學(xué)者的關(guān)注。不同于傳統(tǒng)彩色圖像或多光譜圖像,高光譜圖像具有很高的光譜分辨率,為地物識(shí)別提供了很好的依據(jù)。但是較高的光譜分辨率也帶來(lái)了一些困難,數(shù)據(jù)量大、信息冗余等現(xiàn)象都為高光譜圖像分類(lèi)造成了一定困難。與此同時(shí),由于對(duì)圖像中樣本點(diǎn)進(jìn)行人工標(biāo)記費(fèi)時(shí)費(fèi)力,如何在很少數(shù)量的已標(biāo)記樣本前提下得到理想的分類(lèi)結(jié)果是高光譜圖像分類(lèi)方法研究中的一項(xiàng)難點(diǎn)。近些年研究表明,在根據(jù)樣本的光譜信息進(jìn)行分類(lèi)時(shí)引入空間信息能有效地提高最終的分類(lèi)精度,但如何有效地利用空間信息來(lái)提高精度也是一個(gè)難點(diǎn)。針對(duì)上述幾個(gè)問(wèn)題,本文提出了以下幾種將空間信息與光譜信息結(jié)合的分類(lèi)技術(shù)。具體研究?jī)?nèi)容如下:(1)提出了一種基于空間坐標(biāo)與光譜特征融合的高光譜圖像分類(lèi)方法,首先對(duì)光譜信息進(jìn)行主成分分析并取部分?jǐn)?shù)據(jù)作為光譜特征,接著以樣本的空間坐標(biāo)為特征進(jìn)行有監(jiān)督分類(lèi)并輸出樣本的概率特征,同時(shí)對(duì)光譜特征進(jìn)行分類(lèi)并得到的相應(yīng)概率特征,最后以兩種概率特征融合后的新特征為依據(jù)進(jìn)行有監(jiān)督分類(lèi),獲得最終的分類(lèi)結(jié)果。該方法利用樣本的空間坐標(biāo)來(lái)將空間信息加入到分類(lèi)過(guò)程中,并通過(guò)分類(lèi)器特性轉(zhuǎn)化成概率特征,便于與光譜信息進(jìn)行特征融合分析,最終該方法通過(guò)特征融合的方法分析空間信息與光譜信息。與其他結(jié)合空間信息的方法相比,該方法的分類(lèi)精度更高,且運(yùn)算時(shí)間更少。(2)提出了一種基于主動(dòng)學(xué)習(xí)與空間坐標(biāo)的高光譜圖像分類(lèi)方法。以空間坐標(biāo)為特征的有監(jiān)督分類(lèi)結(jié)果與訓(xùn)練樣本點(diǎn)的空間位置有很大關(guān)系。依據(jù)這一特點(diǎn),將主動(dòng)學(xué)習(xí)的方法與空間坐標(biāo)特征結(jié)合起來(lái)。通過(guò)采樣策略挑選出對(duì)光譜特征分類(lèi)器和空間坐標(biāo)分類(lèi)器而言不確定性均較大的樣本進(jìn)行人工標(biāo)記,并重新訓(xùn)練分類(lèi)器,使得分類(lèi)器性能快速提高,最終將光譜特征與空間坐標(biāo)融合分析與分類(lèi),使得算法能在短時(shí)間內(nèi)使用小數(shù)量訓(xùn)練樣本得到很高的分類(lèi)精度。(3)提出了一種基于集成學(xué)習(xí)與空間坐標(biāo)的高光譜圖像分類(lèi)方法。該方法首先通過(guò)每一個(gè)基分類(lèi)器分類(lèi)得到的一組樣本隸屬于每一個(gè)類(lèi)別的概率值,接著將每一組基分類(lèi)器獲得的概率值分別與基于空間坐標(biāo)特征分類(lèi)獲得的樣本概率值相乘,然后將相乘后的概率值再彼此相乘得到樣本最終隸屬于每一個(gè)類(lèi)別的概率值,選出最大概率值對(duì)應(yīng)的類(lèi)別為樣本的類(lèi)別標(biāo)簽,繼而得到高光譜圖像分類(lèi)結(jié)果。該方法將空間坐標(biāo)與集成學(xué)習(xí)方法融合到一起,使每一個(gè)基分類(lèi)器的分類(lèi)結(jié)果都引入空間信息,從而提高了最終的分類(lèi)精度。
【圖文】：

西安電子科技大學(xué)碩士學(xué)位論文2圖1.1 高光譜遙感圖像上不同地物的光譜曲線[4]1.2 高光譜圖像分類(lèi)的研究現(xiàn)狀1.2.1 高光譜圖像分類(lèi)的研究現(xiàn)狀不同于普通彩色圖像和多光譜圖像，高光譜圖像具有更加豐富的信息，為地物的分類(lèi)與識(shí)別帶來(lái)了極大的方便。在 20 世紀(jì) 80 年代美國(guó)發(fā)明第一臺(tái)光譜儀 AIS[10]后，高光譜圖像帶來(lái)的便利讓很多國(guó)家都開(kāi)始加入到高光譜遙感技術(shù)研究中來(lái)。我國(guó)也投入了大量的人力物力來(lái)研發(fā)高光譜遙感技術(shù)，成功研制了許多成像光譜儀，如 OMIS、PHI 等。這些成像光譜儀有許多已經(jīng)在各個(gè)領(lǐng)域得到了實(shí)際應(yīng)用。分類(lèi)問(wèn)題是遙感圖像處理技術(shù)領(lǐng)域中常見(jiàn)的問(wèn)題之一。在高光譜圖像分類(lèi)方法的研究前期，主要以基于光譜信息的特征為主。常見(jiàn)的分類(lèi)方法通�？梢詺w為兩種：有監(jiān) 督 分 類(lèi) 方 法 (Supervised Classification) 和 無(wú) 監(jiān) 督 分 類(lèi) 方 法 (UnsupervisedClassification)。無(wú)監(jiān)督分類(lèi)方法的主要思想是在沒(méi)有先驗(yàn)知識(shí)作為輔助的前提下，依靠數(shù)據(jù)的統(tǒng)計(jì)特征等直接對(duì)樣本進(jìn)行歸類(lèi)，最后再對(duì)各類(lèi)的地物屬性標(biāo)簽進(jìn)行確認(rèn)。

西安電子科技大學(xué)碩士學(xué)位論文8圖2.1 高光譜圖像數(shù)據(jù)結(jié)構(gòu)[3]2.3 支持向量機(jī)支持向量機(jī)是建立在統(tǒng)計(jì)學(xué)習(xí)理論的 VC 維理論[23]和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理[24]的基礎(chǔ)之上的，，這使得 SVM 能在小規(guī)模訓(xùn)練樣本集的情況下獲得良好的分類(lèi)效果。同時(shí) SVM 具有的高泛化能力和抗噪聲能力，使它成為應(yīng)用最為廣泛的分類(lèi)器之一。SVM 的基礎(chǔ)模型是一種二分類(lèi)模型，它的主要思路是在特征空間去求一個(gè)最優(yōu)的分類(lèi)超平面，使得兩類(lèi)樣本能夠無(wú)誤地分開(kāi)并保證分類(lèi)超平面兩側(cè)樣本之間的分類(lèi)間隔最大。對(duì)于包含 n 個(gè)樣本的訓(xùn)練集 , tr i iX x y，dix R， 1,1iy ，i 1, 2, ,n。其中
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：TP751

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 李寵;谷瓊;蔡之華;吳瓊;;改進(jìn)的主動(dòng)學(xué)習(xí)算法及在高光譜分類(lèi)中的應(yīng)用[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年S2期

2 張春霞;張講社;;選擇性集成學(xué)習(xí)算法綜述[J];計(jì)算機(jī)學(xué)報(bào);2011年08期

3 袁迎輝;林子瑜;;高光譜遙感技術(shù)綜述[J];中國(guó)水運(yùn)(學(xué)術(shù)版);2007年08期

本文編號(hào)：2593327