遙感數(shù)據(jù)的高精確度分類(lèi)長(zhǎng)期以來(lái)一直都是遙感科學(xué)的難題。特別是在高空間分辨率遙感數(shù)據(jù)越來(lái)越多的情況下，高效利用和改進(jìn)各類(lèi)現(xiàn)存的信息提取技術(shù)，有效集成多尺度信息提取的結(jié)果，從而更方便和精確的對(duì)各類(lèi)遙感數(shù)據(jù)資源進(jìn)行分類(lèi)和定位，將成為人們高度關(guān)注的科學(xué)難題。為了更好的解決多光譜遙感圖像分類(lèi)精度問(wèn)題，本文從兩種方案著手研究，均達(dá)到了提高分類(lèi)精度的效果。方案一，對(duì)于圖像的分類(lèi)不僅采用光譜特征，而是將光譜特征與歸一化植被指數(shù)以及纓帽變換后的特征相結(jié)合，并將學(xué)習(xí)字典的稀疏表示算法應(yīng)用于遙感影像分類(lèi)，從而得到整幅圖像的稀疏表示特征，結(jié)果表明無(wú)論在分類(lèi)精度上還是在視覺(jué)效果上，本方法都具有一定的優(yōu)勢(shì)；方案二，在分析圖像光譜特征的基礎(chǔ)上，提取相關(guān)波段不同測(cè)度下的部分紋理特征，與其原始波段進(jìn)行波段組合，并用學(xué)習(xí)字典對(duì)特征進(jìn)行稀疏降維，實(shí)驗(yàn)證明了結(jié)合紋理特征遙感影像分類(lèi)的合理性和有效性。本文中我們將基于學(xué)習(xí)字典的稀疏表示方法應(yīng)用到數(shù)據(jù)量大、維數(shù)高，同時(shí)有標(biāo)記樣本獲取成本高且困難的高光譜遙感數(shù)據(jù)中。我們分別取75%的數(shù)據(jù)做訓(xùn)練樣本，再分別選取75%，50%，10%和5%的訓(xùn)練樣本做訓(xùn)練，25%的數(shù)據(jù)做測(cè)試樣本。首先... 

【文章來(lái)源】：北方民族大學(xué)寧夏回族自治區(qū)

【文章頁(yè)數(shù)】：56 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
目錄
第一章 引言
    1.1 課題背景與意義
    1.2 遙感影像分類(lèi)的國(guó)內(nèi)外研究現(xiàn)狀
    1.3 稀疏分解近期的國(guó)內(nèi)外研究情況
    1.4 主要研究?jī)?nèi)容
    1.5 本章小結(jié)
第二章 遙感圖像處理的基本理論
    2.1 遙感影像的預(yù)處理
    2.2 遙感影像的特征提取
    2.3 遙感圖像的分類(lèi)原理
    2.4 遙感影像分類(lèi)的評(píng)價(jià)方法
    2.5 本章小結(jié)
第三章 稀疏表示圖像識(shí)別的基本理論方法
    3.1 稀疏表示問(wèn)題的建立
    3.2 稀疏表示的實(shí)質(zhì)
    3.3 稀疏表示字典設(shè)計(jì)
    3.4 稀疏表示優(yōu)化算法
    3.5 遙感圖像稀疏特征的提取
    3.6 遙感圖像稀疏分類(lèi)
    3.7 本章小結(jié)
第四章 基于多特征建模的稀疏表示遙感圖像濕地分類(lèi)算法研究與應(yīng)用
    4.1 引言
    4.2 K-T 變換及 NDVI 的基本原理
    4.3 稀疏表示學(xué)習(xí)字典的建立
    4.4 多光譜遙感影像的特征建模
    4.5 支持向量機(jī)（SVM）算法
    4.6 算法步驟
    4.7 實(shí)驗(yàn)結(jié)果與分析
    4.8 本章小結(jié)
第五章 結(jié)合紋理特征的多光譜遙感圖像稀疏表示分類(lèi)算法
    5.1 引言
    5.2 遙感影像濕地信息提取
    5.3 基于學(xué)習(xí)字典的稀疏表示分類(lèi)原理
    5.4 實(shí)驗(yàn)結(jié)果與分析
    5.5 結(jié)論
第六章 基于學(xué)習(xí)字典稀疏表示的小樣本高光譜遙感數(shù)據(jù)分類(lèi)
    6.1 引言
    6.2 大數(shù)據(jù)分類(lèi)的國(guó)內(nèi)外現(xiàn)狀研究
    6.3 基于學(xué)習(xí)字典的圖像稀疏分類(lèi)算法
    6.4 實(shí)驗(yàn)步驟
    6.5 實(shí)驗(yàn)結(jié)果與分析
    6.6 本章小結(jié)
第七章 總結(jié)與展望
    7.1 工作總結(jié)
    7.2 研究展望
參考文獻(xiàn)
致謝
在學(xué)期間公開(kāi)發(fā)表論文及科研情況


【參考文獻(xiàn)】：
期刊論文
[1]基于支持向量機(jī)的遙感影像分類(lèi)比較研究[J]. 王小明,毛夢(mèng)祺,張昌景,許勇.  測(cè)繪與空間地理信息. 2013(04)
[2]遙感影像分類(lèi)方法研究動(dòng)態(tài)[J]. 張雁,吳保國(guó),王冬.  安徽農(nóng)業(yè)科學(xué). 2012(28)
[3]基于蟻群算法的多光譜遙感圖像分類(lèi)[J]. 胡河山,覃亞麗.  杭州電子科技大學(xué)學(xué)報(bào). 2012(04)
[4]基于模糊雙支持向量機(jī)的遙感圖像分類(lèi)研究[J]. 丁勝鋒,孫勁光,陳東莉,姜曉林.  遙感技術(shù)與應(yīng)用. 2012(03)
[5]基于多示例學(xué)習(xí)的高分辨率遙感影像面向?qū)ο蠓诸?lèi)[J]. 阿里木·賽買(mǎi)提,杜培軍.  遙感信息. 2012(03)
[6]基于稀疏表示及光譜信息的高光譜遙感圖像分類(lèi)[J]. 宋相法,焦李成.  電子與信息學(xué)報(bào). 2012(02)
[7]超完備稀疏表示的圖像超分辨率重構(gòu)方法[J]. 路錦正,張啟衡,徐智勇,彭真明.  系統(tǒng)工程與電子技術(shù). 2012(02)
[8]高光譜數(shù)據(jù)的降維處理方法研究[J]. 柳萍萍,林輝,孫華,嚴(yán)恩萍.  中南林業(yè)科技大學(xué)學(xué)報(bào). 2011(11)
[9]基于SVM分類(lèi)的圖像邊緣檢測(cè)研究[J]. 王芬,馬濤,馬旭.  天津師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2011(04)
[10]基于稀疏表示的協(xié)同入侵檢測(cè)算法[J]. 崔保良,滕少華,崔振.  計(jì)算機(jī)工程. 2011(16)

博士論文
[1]圖像的稀疏字典及其應(yīng)用[D]. 易學(xué)能.華中科技大學(xué) 2011
[2]多源遙感信息融合方法及其應(yīng)用研究[D]. 劉純平.南京理工大學(xué) 2002

碩士論文
[1]基于BP神經(jīng)網(wǎng)絡(luò)遙感圖像特征分類(lèi)方法的研究[D]. 陳芳杰.安徽理工大學(xué) 2012
[2]基于稀疏表示與字典學(xué)習(xí)的圖像去噪算法研究[D]. 姜鵬飛.西安電子科技大學(xué) 2011
[3]光譜與紋理特征融合的遙感圖像分類(lèi)方法[D]. 張海濤.西安電子科技大學(xué) 2010



本文編號(hào)：3457322