【摘要】：高光譜圖像波段覆蓋范圍廣,光譜分辨率高,蘊(yùn)含了豐富且精細(xì)的空間和光譜信息,具有較強(qiáng)的對相似地物類別精確識別的能力。目前高光譜圖像已經(jīng)廣泛應(yīng)用于精準(zhǔn)農(nóng)業(yè)、礦物、大氣科學(xué)以及軍事等領(lǐng)域。但是高光譜圖像的高維特性和波段間的高相關(guān)性,使得高光譜圖像在應(yīng)用中面臨著數(shù)據(jù)量大、信息高度冗余的挑戰(zhàn)。如何更好地應(yīng)對這些挑戰(zhàn),發(fā)揮高光譜圖像的優(yōu)勢,從而提升高光譜圖像的分類精度,成為了高光譜圖像分類領(lǐng)域的聚焦點(diǎn)。針對高光譜圖像相鄰波段間的高度相關(guān)性,目前的方法主要使用波段選擇或者特征提取等降維技術(shù)進(jìn)行處理。但是這些方法存在以下局限性:一是波段利用率較低,而且經(jīng)過降維后的光譜信息質(zhì)量依賴于合理的降維率或合適的波段數(shù)目,光譜質(zhì)量存在不確定性;二是沒有利用波段間的相關(guān)性,而是將這種相關(guān)性視為干擾信息進(jìn)行去除,造成原始光譜信息的損失,缺乏對相關(guān)信息的合理分析及使用。本文著眼于高光譜圖像的稀疏特性和相鄰波帶間的相關(guān)性,結(jié)合稀疏表示和機(jī)器學(xué)習(xí)中的多任務(wù)學(xué)習(xí)方法,構(gòu)建了多任務(wù)聯(lián)合稀疏表示分類算法,主要優(yōu)勢為:一、算法中使用了全部的波段信息,保留了原始光譜特征,提高了波段利用率;二、降低了子數(shù)據(jù)集的光譜維度,有效減少了子數(shù)據(jù)集內(nèi)的光譜冗余;三、充分利用了圖像的帶間相關(guān)性,有效挖掘了光譜信息。本文具體的研究內(nèi)容如下:(1)基于高光譜圖像波段間的相關(guān)性,采用交叉分組策略將高度相關(guān)的相鄰波段劃分到了不同的子數(shù)據(jù)集,從而構(gòu)建了多個相關(guān)的子數(shù)據(jù)集,每個子數(shù)據(jù)集對應(yīng)一個子任務(wù)。在分組過程中,僅是對所有波段信息進(jìn)行了重組,在保留了原始的光譜信息的同時(shí),降低子數(shù)據(jù)集的維度和冗余度。(2)構(gòu)建多任務(wù)共享稀疏結(jié)構(gòu),提出了多任務(wù)聯(lián)合稀疏表示分類算法�；诟吖庾V圖像的稀疏性,對每個子任務(wù)建立各自的稀疏表示模型。其次基于子任務(wù)間的相關(guān)性,使用?",$混合正則化約束集成多個子任務(wù)模型,構(gòu)建了具有較高魯棒性的共享稀疏結(jié)構(gòu),從而建立了多任務(wù)聯(lián)合稀疏表示模型。多任務(wù)聯(lián)合稀疏表示模型使得多個任務(wù)間能夠共享一個公共的稀疏模式,從而提取不同任務(wù)的交叉特征信息,實(shí)現(xiàn)特征共享和信息互補(bǔ)。該模型在集成多個任務(wù)的同時(shí)集成了所有的原始波段信息,提高了波段利用率,提供了更多的判別信息。接著,使用加速近端梯度算法優(yōu)化求解模型的非凸優(yōu)化問題,得到多個任務(wù)的權(quán)重向量。最后利用多個任務(wù)的累計(jì)殘差構(gòu)建分類器。(3)基于兩組公開數(shù)據(jù)集進(jìn)行了實(shí)驗(yàn)設(shè)計(jì),分析了算法的分類效果,驗(yàn)證了多任務(wù)聯(lián)合稀疏表示分類算法的有效性。實(shí)驗(yàn)中分析了交叉分組得到的多個任務(wù)間的相關(guān)性,解釋了這種相關(guān)性對算法的影響。同時(shí)設(shè)計(jì)了六組對比實(shí)驗(yàn),通過對比分類結(jié)果驗(yàn)證了多任務(wù)聯(lián)合稀疏表示算法分類性能的優(yōu)越性。最后對算法中的兩個關(guān)鍵參數(shù)進(jìn)行了實(shí)驗(yàn)分析,說明了算法性能隨參數(shù)設(shè)置的變化規(guī)律。
【圖文】：

基于多任務(wù)聯(lián)合稀疏表示的高光譜圖像分類算法研究[5]，數(shù)百個波段為波段之間信息的相互校正提供了便利。有光譜相關(guān)性、空間相關(guān)性。高光譜圖像是光譜平滑和空說相鄰位置和波長的值是高度相關(guān)的[9][34]。而同類地物光其像元通常會映射到一個低維子空間，該空間內(nèi)的每一個幾個基向量近似地稀疏表示。譜合一”。高光譜圖像同時(shí)蘊(yùn)含了目標(biāo)的二維幾何空間與豐富且精細(xì)的空間及光譜信息的特性，這種特性稱為“圖

維護(hù)一組 個索引，，在每次迭代中通過將 個新候選項(xiàng)添加到當(dāng)前列表中，然后從 2 候選項(xiàng)列表中丟棄 個不重要的候選項(xiàng)，來優(yōu)化索引集。利用回溯機(jī)制，SP可以找到 個最重要的原子。2.2 高光譜圖像的分類精度評價(jià)指標(biāo)2.2.1 定性評價(jià) 分類結(jié)果圖對比是一種較為直觀評估分類器性能的方法。通過對比分類器預(yù)測的地物類別標(biāo)簽圖和原始數(shù)據(jù)集地物標(biāo)簽參考圖，可以反映分類器能夠很好地區(qū)分哪些類別，哪些類別嚴(yán)重混淆。如圖 2.4 所示，可以較為明顯的看出圖 2.4(c)的效果優(yōu)于圖 2.4(b)的效果。此外，通過對分類結(jié)果圖像的觀察能夠發(fā)現(xiàn)圖像是過平滑、平滑或有“空洞現(xiàn)象”[4]。使用結(jié)果圖像表征和對比結(jié)果最為直觀，但只是評價(jià)分類優(yōu)劣的輔助手段，更精確的評估則需要定量評價(jià)。
【學(xué)位授予單位】：中國科學(xué)院大學(xué)(中國科學(xué)院國家空間科學(xué)中心)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP751

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 Fang LI;Jia SHENG;San-yuan ZHANG;;基于稀疏表示的拉普拉斯稀疏字典圖像分類（英文）[J];Frontiers of Information Technology & Electronic Engineering;2017年11期

2 黃宏圖;畢篤彥;侯志強(qiáng);胡長城;高山;查宇飛;庫濤;;基于稀疏表示的視頻目標(biāo)跟蹤研究綜述[J];自動化學(xué)報(bào);2018年10期

3 劉嘎瓊;;改進(jìn)稀疏表示的人臉識別在高校管理中的應(yīng)用[J];計(jì)算機(jī)與數(shù)字工程;2018年11期

4 余慶輝;朱晗琰;吳海霞;戈曉玲;潘逸煒;;基于類內(nèi)稀疏表示的人臉識別[J];科技展望;2015年32期

5 滕升華;商勝楠;王芳;趙增順;;一種基于復(fù)合稀疏表示的阿爾茨海默病的診斷方法[J];生物醫(yī)學(xué)工程研究;2016年01期

6 黃宏圖;畢篤彥;高山;查宇飛;侯志強(qiáng);;基于局部敏感核稀疏表示的視頻跟蹤[J];電子與信息學(xué)報(bào);2016年04期

7 張保慶;穆志純;曾慧;;基于非負(fù)稀疏表示的遮擋人耳識別[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2014年08期

8 張石清;趙小明;樓宋江;闖躍龍;郭文平;陳盈;;一種局部敏感的核稀疏表示分類算法[J];光電子.激光;2014年09期

9 陳思寶;許立仙;羅斌;;基于多重核的稀疏表示分類[J];電子學(xué)報(bào);2014年09期

10 李映;張艷寧;許星;;基于信號稀疏表示的形態(tài)成分分析:進(jìn)展和展望[J];電子學(xué)報(bào);2009年01期

相關(guān)會議論文 前10條

1 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標(biāo)識別[A];2013年中國智能自動化學(xué)術(shù)會議論文集（第五分冊）[C];2013年

2 楊寶;朱啟兵;黃敏;;基于非負(fù)矩陣分解一稀疏表示分類的玻璃缺陷圖像識別[A];第24屆中國控制與決策會議論文集[C];2012年

3 田野;張立新;嚴(yán)濤;楊志梅;張茁;;基于稀疏表示的北斗導(dǎo)航衛(wèi)星預(yù)失真濾波器設(shè)計(jì)方法[A];第九屆中國衛(wèi)星導(dǎo)航學(xué)術(shù)年會論文集——S08 測試評估技術(shù)[C];2018年

4 肖瓊;黃永言;;稀疏表示在腦電信號處理中的應(yīng)用研究現(xiàn)狀[A];人-機(jī)-環(huán)境系統(tǒng)工程創(chuàng)立30周年紀(jì)念大會暨第十一屆人-機(jī)-環(huán)境系統(tǒng)工程大會論文集[C];2011年

5 趙雪峰;孫成禹;;基于稀疏表示的地震多屬性融合[A];2016中國地球科學(xué)聯(lián)合學(xué)術(shù)年會論文集（十九）——專題40：油氣田與煤田地球物理勘探[C];2016年

6 廖佳俊;劉志剛;蔡尚;姜江軍;;基于非負(fù)—平滑約束的高光譜稀疏表示目標(biāo)檢測算法研究[A];國家安全地球物理叢書（十二）——地球物理與信息感知[C];2016年

7 蒙紅英;柴昱洲;韓宇;;一種基于稀疏表示的JPEG-LS改進(jìn)算法[A];第四屆高分辨率對地觀測學(xué)術(shù)年會論文集[C];2017年

8 柴漢超;郭翌;汪源源;曹萬里;孫�？�;;基于多尺度稀疏表示分割腎上腺腫瘤CT圖像[A];儀器儀表學(xué)報(bào)（2015（增刊）第36卷）[C];2015年

9 杜蘭;李晨;孫永光;;基于聯(lián)合動態(tài)稀疏表示的SAR自動目標(biāo)識別[A];第五屆高分辨率對地觀測學(xué)術(shù)年會論文集[C];2018年

10 余力;郭翌;汪源源;陳萍;;基于超聲心動圖序列的胎兒左心室分割[A];儀器儀表學(xué)報(bào)（2015（增刊）第36卷）[C];2015年

相關(guān)博士學(xué)位論文 前10條

1 張巖;基于稀疏表示的油氣地震勘探數(shù)據(jù)重建與去噪方法研究[D];東北石油大學(xué);2018年

2 趙永紅;基于稀疏表示的陣列信號空間譜估計(jì)方法研究[D];西安電子科技大學(xué);2017年

3 任博;基于稀疏表示和流形學(xué)習(xí)的SAR圖像分類算法研究[D];西安電子科技大學(xué);2017年

4 程增飛;基于壓縮感知的陣列信號處理技術(shù)研究[D];西安電子科技大學(xué);2017年

5 吳曉歡;基于稀疏表示的波達(dá)方向估計(jì)理論與方法研究[D];南京郵電大學(xué);2017年

6 王秀紅;基于稀疏表示的波達(dá)方向估計(jì)方法研究[D];哈爾濱工業(yè)大學(xué);2017年

7 王曉陽;基于稀疏動態(tài)反演的紅外弱小目標(biāo)檢測理論及方法研究[D];電子科技大學(xué);2018年

8 孔波;基于稀疏和張量表示的通信雷達(dá)融合系統(tǒng)目標(biāo)參數(shù)估計(jì)方法研究[D];南昌大學(xué);2019年

9 王蒙;聯(lián)合多重字典結(jié)合擴(kuò)展稀疏表示的非約束人臉識別研究[D];燕山大學(xué);2018年

10 劉晶晶;基于稀疏表示及字典學(xué)習(xí)的人臉檢測與識別方法[D];上海大學(xué);2018年

相關(guān)碩士學(xué)位論文 前10條

1 陳敏霞;基于拉普拉斯和稀疏表示的圖像色彩重建問題研究[D];南昌航空大學(xué);2019年

2 宋雷雷;基于稀疏表示的人臉識別算法的研究[D];西安理工大學(xué);2014年

3 邱賀磊;基于稀疏表示的視覺跟蹤方法[D];大連大學(xué);2019年

4 胡玉潔;基于稀疏表示的OFDM信號帶內(nèi)干擾抑制方法研究[D];西安理工大學(xué);2019年

5 周熊;時(shí)頻重疊通信信號稀疏表示分離方法研究[D];西安理工大學(xué);2019年

6 賈立麗;基于多任務(wù)聯(lián)合稀疏表示的高光譜圖像分類算法研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院國家空間科學(xué)中心);2019年

7 秦子雨;基于稀疏表示的高分辨率方法研究[D];西南石油大學(xué);2018年

8 顧康康;基于多普勒原子稀疏表示的列車軸承軌邊信號消噪研究[D];安徽大學(xué);2019年

9 高潔;基于稀疏表示的人臉識別研究[D];北京建筑大學(xué);2019年

10 鮑東海;基于壓縮感知的監(jiān)控視頻稀疏表示與字典設(shè)計(jì)研究[D];浙江工業(yè)大學(xué);2018年

本文編號：2599211