隨著遙感技術(shù)的飛速發(fā)展,高光譜遙感圖像數(shù)據(jù)已經(jīng)廣泛地應(yīng)用于環(huán)境監(jiān)測、礦產(chǎn)勘探、軍事目標(biāo)識別等領(lǐng)域。因此,高光譜遙感圖像數(shù)據(jù)的處理十分重要且具有實(shí)際應(yīng)用價值。高光譜圖像數(shù)據(jù)的解混精度和高光譜遙感圖像的分類精度影響著高光譜遙感圖像數(shù)據(jù)的后續(xù)應(yīng)用,因此,高光譜圖像的解混和分類是高光譜遙感圖像處理中的關(guān)鍵性問題,也是后續(xù)研究和應(yīng)用的重要基礎(chǔ)。其中,在高光譜圖像數(shù)據(jù)解混算法中,基于稀疏約束的解混算法已經(jīng)成為解混算法的熱點(diǎn)�，F(xiàn)有的多目標(biāo)稀疏解混算法雖然能解決傳統(tǒng)稀疏解混算法中不能直接優(yōu)化非凸_0L范數(shù)和權(quán)重參數(shù)不能自適應(yīng)選擇的問題,但是仍存在因隨機(jī)分組策略的缺陷及拐點(diǎn)選解具有單一性,從而導(dǎo)致高光譜圖像數(shù)據(jù)解混精度不高的問題。在高光譜圖像分類算法中,現(xiàn)有的高光譜圖像生成式對抗網(wǎng)絡(luò)(Generative Adversarial Network,GAN)分類算法雖然能夠解決高光譜圖像數(shù)據(jù)冗余度大,標(biāo)記樣本有限的問題,但是仍存在不能提取全部的光譜特征和空譜聯(lián)合特征的不足之處,使得高光譜圖像分類精度有待提升。本文針對現(xiàn)有高光譜圖像稀疏解混算法和高光譜圖像分類算法的不足,做了以下兩方面的研究工作:首先,針對現(xiàn)有高光譜圖像多目標(biāo)稀疏解混算法中存在因隨機(jī)分組策略的不足及拐點(diǎn)選解具有單一性而導(dǎo)致高光譜圖像解混精度不高的問題,本文提出一種基于大規(guī)模多目標(biāo)進(jìn)化算法(Evolutionary Algorithm for Large-scale Many-objective Optimization,LMEA)的高光譜圖像稀疏解混算法。首次引入LMEA算法中的決策變量分組策略,并提出有約束拐點(diǎn)區(qū)域選解策略來提升高光譜圖像數(shù)據(jù)稀疏解混的精度。本文將該算法應(yīng)用于基于光譜特征的二目標(biāo)稀疏解混框架和基于空譜聯(lián)合特征的三目標(biāo)稀疏解混框架中,使用常用的模擬和真實(shí)高光譜圖像數(shù)據(jù)集進(jìn)行對比實(shí)驗(yàn),提出算法均獲得最好的解混效果,也證明了使用空譜聯(lián)合特征提高了算法對噪聲的魯棒性。其次,針對現(xiàn)有高光譜圖像GAN分類算法中存在因提取光譜特征和空譜聯(lián)合特征不全面而導(dǎo)致高光譜圖像分類精度不高的問題,本文提出基于雙通道GAN的高光譜圖像分類算法。首先設(shè)計(jì)并搭建改進(jìn)的一維GAN分類框架和改進(jìn)的二維GAN分類框架用來分別提取更為全面的光譜特征和空間特征,并在上述兩種框架的基礎(chǔ)上,首次在高光譜圖像GAN分類模型中引入了雙通道的思想,設(shè)計(jì)并搭建雙通道GAN分類框架用以提取更為全面的空譜聯(lián)合特征送入到分類器中,進(jìn)而提升高光譜圖像的分類精度。通過對常用的三組高光譜數(shù)據(jù)集進(jìn)行實(shí)驗(yàn),提出算法與其他算法相比得到了最優(yōu)的分類結(jié)果,驗(yàn)證了提出算法的有效性和先進(jìn)性。
【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】：

高光譜數(shù)據(jù)的獲取依據(jù)高光譜遙感成像技術(shù)，高光譜圖像數(shù)據(jù)具有光譜分辨率高、波段連續(xù)及圖譜合[80]

圖 2.2 高光譜圖像立方體與相應(yīng)的光譜曲線特征空間表示特征空間表示方法中，如果不考慮波長的物理含義，僅僅將 p ( i , j )看成是則其可對應(yīng)L維空間LP 中的一個點(diǎn)。那么整個高光譜圖像對應(yīng)的是空云，因此LP 稱作高光譜圖像的特征空間。這種表示方法能夠表現(xiàn)目標(biāo)

線性混合模型
【相似文獻(xiàn)】

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(jìn)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(jìn)展[J];食品研究與開發(fā);2013年10期

5 葉珍;白璘;;局部保護(hù)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(jìn)展[J];激光與紅外;2013年09期

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

8 唐中奇;付光遠(yuǎn);陳進(jìn);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(jì)算機(jī)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(jī)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(biāo)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(jìn)稀疏表達(dá)的高光譜異常目標(biāo)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(jī)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 田洪晨;基于改進(jìn)的LSTSVM高光譜圖像分類方法研究[D];哈爾濱工程大學(xué);2019年

9 周澤宇;高光譜圖像稀疏解混與分類算法研究[D];哈爾濱工程大學(xué);2019年

10 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

本文編號：2851904