隨著遙感技術(shù)迅速發(fā)展,高光譜圖像比普通圖像能夠更準確地識別地物類別信息,其圖像分類技術(shù)成為遙感領(lǐng)域研究的重要應(yīng)用。然而高光譜數(shù)據(jù)維數(shù)高并且?guī)撕灥臉颖旧?在小樣本的情況下高光譜圖像處理和數(shù)據(jù)分析具有一定的難度。傳統(tǒng)的分類方法往往只利用了光譜信息,空間信息未被充分利用,并且在大量的無標簽樣本集中如何篩選出具有價值的樣本信息同時準確預(yù)測其地物類別。針對上述問題,本文在前人研究的基礎(chǔ)上對半監(jiān)督分類算法和空間信息的輔助作用做了深入的研究,提出了兩種新的半監(jiān)督學(xué)習(xí)算法。具體內(nèi)容如下所示:1、提出了結(jié)合主動學(xué)習(xí)與標簽傳遞算法的高光譜圖像半監(jiān)督分類。該方法首先通過PCA降維獲取光譜信息,用Gabor濾波方法提取空間紋理信息,將得到的空-譜信息特征級聯(lián),再利用主動學(xué)習(xí)方法中BT(Breaking Ties,BT)選擇策略選取富含信息量的無標簽樣本,然后通過標簽傳遞算法(Label Propagation,LP)預(yù)測所選取的無標簽樣本的類別。這些新產(chǎn)生的樣本將被標記并且加入訓(xùn)練樣本集來幫助初始化支持向量機分類器。實驗結(jié)果表明,該方法能夠在帶標簽數(shù)據(jù)很少的情況下有效利用無標簽樣本提高分類精度。2、提出了基于空間信息粒子群優(yōu)化的高光譜圖像半監(jiān)督分類。該方法從三個方面充分利用地物光譜、空間信息改善高光譜圖像的分類效果。首先,通過對PCA降維后的前三主成分分別進行Gabor濾波獲取紋理信息圖像并與第一主成分光譜信息圖像結(jié)合;然后利用粒子群優(yōu)化算法、空間鄰域樣本信息篩選有價值、高置信度的未標記樣本進一步擴充標記訓(xùn)練樣本集中;最后根據(jù)空間特征與光譜特征構(gòu)造空-譜組合核函數(shù)用于支持向量機分類。實驗結(jié)果表明,該算法從多角度多方面充分利用空間信息輔助提高分類器的分類效果。
【學(xué)位單位】：哈爾濱工程大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP751
【部分圖文】：

遙感具有高實時性、覆蓋范圍廣、可探測目標種類豐富等優(yōu)點，在大氣探測、洋遙感、地表資源調(diào)查、環(huán)境監(jiān)測、地質(zhì)勘探、軍事偵察等領(lǐng)域表現(xiàn)出突出優(yōu)作用�？梢灶A(yù)見，隨著研究學(xué)者越來越重視地球資源、人類生存環(huán)境及航空、索及利用，遙感技術(shù)將在更多的領(lǐng)域的發(fā)展中占據(jù)無法取代的地位。近些年內(nèi)，光學(xué)遙感技術(shù)是遙感技術(shù)的前沿，它可以根據(jù)電磁波譜的頻率劃分X 射線、紫外線、可見光、紅外線、無線電波等區(qū)域。其中，高光譜圖像是利譜儀對某一區(qū)域以納米級的光譜分辨率進行紫外光譜段到紅外光譜段的連續(xù)成以看作由二維空間向量和一維光譜向量堆疊成的三維數(shù)據(jù)立方體，其數(shù)據(jù)示意1.1 所示。高光譜傳感器利用數(shù)十至數(shù)百個連續(xù)波段對目標區(qū)域同時成像，真正光譜信息與圖像相結(jié)合，每個波段都含有豐富的空間信息和光譜地物信息。它型的地物特征記錄為完整的光譜曲線，因而可用高光譜來反演地表區(qū)域細節(jié)供。高光譜圖像還有一個顯著特點就是它的波段數(shù)遠遠大于多光譜圖像，因而可加豐富的地物細節(jié)信息，辨別和區(qū)分地物目標具有較高的可信度，能夠解決多無法達到的分類廣度和目標探測深度等問題。

表 1.1 Indian Pines 數(shù)據(jù)集的地物信息類別 地物名稱 樣本數(shù)量1 Alfalfa 542 Corn-notill 14343 Corn-min 8344 Corn 2345 Grass/Pasture 4976 Grass/Trees 7477 Grass/pasture-mowed 268 Hay-windrowed 4899 Oats 2010 Soybeans-notill 96811 Soybeans-min 246812 Soybean-clean 61413 Wheat 21214 Woods 129415 Bldg-Grass-Tree-Drive 38016 Stone-steeltowers 95

哈爾濱工程大學(xué)碩士學(xué)位論文標圖如圖 1.4 所示。表 1.2 帕維亞大學(xué)數(shù)據(jù)集的地物信息類別 地物名稱 樣本數(shù)量1 Asphalt 66412 Meadows 186493 Gravel 20994 Trees 30645 Metal Sheets 13456 Soil 50297 Bitumen 13308 Bricks 36829 Shadows 947
【相似文獻】

相關(guān)期刊論文 前10條

1 王斌;;基于高光譜圖像技術(shù)的水果表面農(nóng)藥殘留檢測觀察[J];種子科技;2017年04期

2 陳綾鋼;呂靖芳;;高光譜圖像技術(shù)在農(nóng)產(chǎn)品監(jiān)測中的應(yīng)用進展[J];北京農(nóng)業(yè);2016年01期

3 朱貞映;袁建;何榮;;糧油中高光譜圖像技術(shù)的應(yīng)用現(xiàn)狀[J];糧食與飼料工業(yè);2016年09期

4 徐爽;何建國;馬瑜;梁慧琳;劉貴珊;賀曉光;;高光譜圖像技術(shù)在水果品質(zhì)檢測中的研究進展[J];食品研究與開發(fā);2013年10期

5 葉珍;白璘;;局部保護降維與高斯混合模型的高光譜圖像分類[J];工業(yè)儀表與自動化裝置;2017年04期

6 吳龍國;何建國;賀曉光;劉貴珊;王偉;王松磊;蘇偉東;羅陽;思振華;;高光譜圖像技術(shù)在水果無損檢測中的研究進展[J];激光與紅外;2013年09期

7 閆敬文;陳宏達;劉蕾;;高光譜圖像分類的研究進展[J];光學(xué)精密工程;2019年03期

8 唐中奇;付光遠;陳進;張利;;基于低秩結(jié)構(gòu)提取的高光譜圖像壓縮表示[J];電子與信息學(xué)報;2016年05期

9 張良培;李家藝;;高光譜圖像稀疏信息處理綜述與展望[J];遙感學(xué)報;2016年05期

10 李昌利;張琳;樊棠懷;;基于自適應(yīng)主動學(xué)習(xí)與聯(lián)合雙邊濾波的高光譜圖像分類[J];計算機科學(xué);2018年12期

相關(guān)博士學(xué)位論文 前10條

1 李嬌嬌;高光譜遙感圖像高效分類與解混方法研究[D];西安電子科技大學(xué);2016年

2 劉務(wù);基于空譜特征挖掘的高光譜圖像分類方法研究[D];哈爾濱工程大學(xué);2018年

3 李威;基于機器學(xué)習(xí)的森林多源遙感數(shù)據(jù)分析方法研究[D];哈爾濱工程大學(xué);2018年

4 李暢;高光譜遙感影像處理中的若干關(guān)鍵技術(shù)研究[D];華中科技大學(xué);2018年

5 任越美;高光譜圖像特征提取與分類方法研究[D];西北工業(yè)大學(xué);2017年

6 王慶巖;面向植被遙感監(jiān)測的高光譜圖像分類技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2018年

7 吳釗君;基于權(quán)重核范數(shù)的高光譜圖像去噪與解混方法研究[D];哈爾濱工業(yè)大學(xué);2018年

8 張星;組合空間和光譜特性的高光譜圖像異常檢測與目標識別方法研究[D];國防科學(xué)技術(shù)大學(xué);2016年

9 馮志璽;空譜稀疏結(jié)構(gòu)學(xué)習(xí)下的高光譜數(shù)據(jù)降維與分類技術(shù)研究[D];西安電子科技大學(xué);2018年

10 胡靜;基于深度學(xué)習(xí)的高光譜圖像超分辨處理方法研究[D];西安電子科技大學(xué);2018年

相關(guān)碩士學(xué)位論文 前10條

1 黃婷婷;基于Grouplet變換的高光譜圖像壓縮重構(gòu)方法研究[D];南昌航空大學(xué);2019年

2 張曉慧;基于改進稀疏表達的高光譜異常目標檢測[D];太原理工大學(xué);2019年

3 王軍升;尺度自適應(yīng)核高光譜圖像分類[D];蘭州大學(xué);2019年

4 冀偉;高光譜圖像解混與SVM分類參數(shù)優(yōu)化的研究[D];哈爾濱工程大學(xué);2019年

5 王恒;高光譜圖像稀疏解混算法研究[D];哈爾濱工程大學(xué);2019年

6 高冰;基于支持向量機和近鄰表示的高光譜圖像分類研究[D];哈爾濱工程大學(xué);2019年

7 商卉;融合空-譜信息的高光譜圖像分類方法研究[D];哈爾濱工程大學(xué);2019年

8 謝惠敏;基于字典學(xué)習(xí)和特征融合的高光譜圖像分類方法研究[D];深圳大學(xué);2018年

9 甘士忠;基于仿生智能優(yōu)化的高光譜圖像非線性解混方法研究[D];天津工業(yè)大學(xué);2019年

10 劉明威;基于壓縮感知的干涉高光譜圖像稀疏重建算法研究[D];天津工業(yè)大學(xué);2019年

本文編號：2849775