發(fā)布時間：2020-11-01 03:46

　　 高光譜遙感作為一種新型遙感探測技術在環(huán)境監(jiān)測、軍事偵察、城市規(guī)劃等眾多領域都有著廣泛的應用。與傳統(tǒng)多光譜遙感影像相比,高光譜遙感影像能同時獲取被觀測區(qū)域豐富的光譜信息與空間信息,為精確分析地物特性提供了更多的可能。但高光譜影像具有特征維數(shù)高、譜間相關性強、數(shù)據(jù)高度冗余等特點,這也給后續(xù)的高光譜影像處理工作帶來了新的挑戰(zhàn)。高光譜影像分類作為讀取、運用遙感信息的基礎,一直都是高光譜影像處理的關鍵技術。如何充分利用豐富的圖像信息,不斷提高分類精度,來滿足日益增長的實際應用需求是目前高光譜分類技術發(fā)展的重要方向。近幾年,隨著壓縮感知理論與算法的不斷完善,基于稀疏表示的高光譜影像分類方法已得到了廣泛的應用,并取得了不錯的效果。本文從高光譜影像數(shù)據(jù)特點出發(fā),針對如何合理利用圖像中豐富的光譜信息與空間信息,進一步提高稀疏表示算法在高光譜影像分類中的分類性能做出了一些研究工作,主要研究內(nèi)容如下:1.提出了一種融合核稀疏和協(xié)同表示的高光譜影像分類算法。高光譜影像數(shù)據(jù)的高維特性、相關性高、數(shù)據(jù)冗余等特點整體表現(xiàn)為其數(shù)據(jù)結構的高度非線性。該算法充分地利用了核函數(shù)處理非線性數(shù)據(jù)的優(yōu)勢,將高光譜影像數(shù)據(jù)映射到高維核特征空間,便于下一步表示分類模型對高光譜影像數(shù)據(jù)的分類工作;在求解表示系數(shù)時,為了增強基原子對測試樣本的表達能力,對核稀疏表示系數(shù)和核協(xié)同表示系數(shù)進行加權融合處理,建立融合表示分類模型。在實際的高光譜圖像分類實驗中表明,該算法能獲得更高的分類精度與更強的分類穩(wěn)定性。2.提出了一種基于區(qū)域生長的融合表示高光譜影像分類算法。在現(xiàn)有空譜信息分類的聯(lián)合稀疏表示模型基礎上,該方法在光譜角余弦測度的描述下利用區(qū)域生長算法提取測試樣本自適應的空間區(qū)域信息,避免了聯(lián)合稀疏表示模型固定鄰域窗口帶來的局限性;同時將融合表示分類思想延伸到基于空譜信息分類的聯(lián)合稀疏表示模型中,對稀疏表示矩陣與協(xié)同表示矩陣進行加權融合,在融合表示矩陣下進行重構,根據(jù)最小重構殘差對測試樣本分類。實驗結果表明,與聯(lián)合稀疏表示模型相比,該算法能更好的挖掘高光譜影像中的空間相關性,具有更高的分類能力。
【學位單位】：重慶郵電大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TP751
【部分圖文】：

表 2.3 Indian Pines 影像數(shù)據(jù)集別編號 地物名 對應中文名 像元個C1 Alfalfa 苜蓿 46C2 Corn-notill 未耕玉米 142C3 Corn-min 略耕玉米 830C4 Corn 玉米 237C5 Grass/Pasture 草牧場 483C6 Grass/Trees 草樹 730C7 Grass/Pasture-mowed 修剪過的草牧場 28C8 Hay-windrowed 干草料堆 478C9 Oats 燕麥 20C10 Soybean-notill 未耕大豆 972C11 Soybeans-min 略耕大豆 245C12 Soybean-clean 凈耕大豆 593C13 Wheat 小麥 205C14 Woods 木材 126C15Bldg-Grass-Tree-Driver建筑物-草-樹-路 386C16 Stone-till Towers 石-鋼塔 93

a University 影像來源于 ROSIS 傳感器，采集于意大利帕維亞大el*340pixel，空間分辨率為 1.3m，波段范圍 0.43~0.86um，共有 中一共包含 9 種實際地物類型。帕維亞大學的偽彩色圖像與真實所示，具體地物類別信息如表 2.4 所示。表 2.4 Pavia University 影像數(shù)據(jù)集編號 地物名 對應中文名 像元個C1 Asphalt 柏油路 661C2 Meadows 草地 1864C3 Gravel 砂礫 209C4 Trees 樹 306C5 Painted metal 噴漆金屬板 134C6 Bare soil 裸地 492C7 Bitumen 瀝青 134C8 Self-blocking 磚塊 368C9 Shadows 陰影 947
【參考文獻】

相關期刊論文 前8條

1 楊仁欣;楊燕;原晶晶;;高光譜圖像的特征提取與特征選擇研究[J];廣西師范學院學報(自然科學版);2015年02期

2 王秀和;;利用K均值算法改進后的蟻群優(yōu)化算法對高光譜圖像聚類研究[J];科技通報;2015年03期

3 張浚哲;朱文泉;鄭周濤;潘耀忠;王伶俐;;高光譜數(shù)據(jù)的相似性測度對比研究[J];測繪科學;2013年06期

4 韓靜;岳江;張毅;柏連發(fā);陳錢;;光譜角匹配加權核特征空間分離變換高光譜異常檢測算法[J];紅外與毫米波學報;2013年04期

5 麻永平;張煒;劉東旭;;高光譜偵察技術特點及其對地面軍事目標威脅分析[J];上海航天;2012年01期

6 朱昱;王曉南;宋雪源;賀麗;李智強;;基于LLE低維嵌入的高光譜影像分類[J];海洋測繪;2010年06期

7 李志忠;楊日紅;黨福星;張顯峰;譚炳香;趙慧潔;;高光譜遙感衛(wèi)星技術及其地質應用[J];地質通報;2009年Z1期

8 李金蓮;劉曉玫;李恒鵬;;SPOT5影像紋理特征提取與土地利用信息識別方法[J];遙感學報;2006年06期

本文編號：2864990