高光譜遙感圖像分類一直是遙感領域的熱門研究方向,高光譜遙感在一定的波段范圍內對目標區(qū)域進行連續(xù)成像,其影像包含了豐富的空間信息與光譜信息,可以有效的用于地物的分類與識別。高光譜遙感圖像數(shù)據(jù)量大,波段數(shù)目眾多、像元特征維度高等特點,給像元分類帶來充分條件的同時,也帶來了信息冗余增多,信噪比降低,分類效率難以提升等問題。若只使用光譜信息而忽略空間信息,也會導致像元的特征表達性不足的問題。針對高光譜遙感圖像像元分類的以上問題,本文主要工作概述如下:數(shù)據(jù)預處理方面,首先,本文采用GBDT的特征重要性對原始圖像數(shù)據(jù)進行波段選擇,有效地去除了大量的冗余波段,提升了分類效率。其次,本文結合高光譜圖像的特點,將相關系數(shù)融入雙邊濾波算法中對圖像進行濾波,在不影響圖像紋理的情況下,取得了很好的去噪效果,并使各類別地物特征更加集中,有效提高了分類精度。特征提取方面,本文對LPP降維算法做出了改進,使降維過程同時利用了高光譜遙感圖像的空間維信息與類別先驗知識,并取得了比使用PCA,LDA降維后更好的分類效果。本文還定義了一種提取高光譜遙感圖像紋理信息的LBP算子,有效地提取高光譜遙感圖像的空間維特征。模型選擇... 

【文章來源】：山東大學山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：86 頁

【學位級別】：碩士

【部分圖文】：

圖２－５?Ｐａｖｉａ?Ｕｎｉｖｅｒｓｉｔｙ數(shù)據(jù)集概況??

?１００??波段??圖２－７?Ｐａｖｉａ?Ｕｎｉｖｅｒｓｉｔｙ數(shù)據(jù)集各類別平均特征曲線??２．４．３實驗數(shù)據(jù)劃分??為了實驗結果的準確性，本文把Ｓａｌｉｎａｓ?Ｓｃｅｎｅ數(shù)據(jù)和Ｐａｖｉａ?Ｕｎｉｖｅｒｓｉｔｙ數(shù)據(jù)??按照７：３的比例劃分成訓練集和測試集，分類模型的選擇和超參數(shù)調試均基于訓??練集數(shù)據(jù)，最終的實驗結果是分類模型在測試集上的各項分類指標。??訓練集和測試集的具體像素劃分如下圖所示：??１８??

?０?２０?４０?６０?６０?１００??波段??圖２－６?Ｐａｖｉａ?Ｕｎｉｖｅｒｓｉｔｙ數(shù)據(jù)集各類別特征曲線??各類的平均光譜曲線如下圖所示：????ｌａｂｅｌ??Ｊ?＼?＾?ｒ?＾??ＩＩ?，０００．?一??ｉｏ＾＾＾＾＾ＥＥＥｚｚｙ??〇？］???（???１???２０?４０?６０?８０?１００??波段??圖２－７?Ｐａｖｉａ?Ｕｎｉｖｅｒｓｉｔｙ數(shù)據(jù)集各類別平均特征曲線??２．４．３實驗數(shù)據(jù)劃分??為了實驗結果的準確性，本文把Ｓａｌｉｎａｓ?Ｓｃｅｎｅ數(shù)據(jù)和Ｐａｖｉａ?Ｕｎｉｖｅｒｓｉｔｙ數(shù)據(jù)??按照７：３的比例劃分成訓練集和測試集，分類模型的選擇和超參數(shù)調試均基于訓??練集數(shù)據(jù)，最終的實驗結果是分類模型在測試集上的各項分類指標。??訓練集和測試集的具體像素劃分如下圖所示：??１８??

【參考文獻】：
期刊論文
[1]高光譜遙感影像分類研究進展[J]. 杜培軍,夏俊士,薛朝輝,譚琨,蘇紅軍,鮑蕊.  遙感學報. 2016(02)
[2]基于紋理特征和形態(tài)學特征融合的高光譜影像分類法[J]. 王增茂,杜博,張良培,張樂飛.  光子學報. 2014(08)
[3]高光譜遙感數(shù)據(jù)光譜特征提取算法與分類研究[J]. 蘇紅軍,杜培軍,盛業(yè)華.  計算機應用研究. 2008(02)
[4]高光譜遙感數(shù)據(jù)最佳波段選擇方法試驗研究[J]. 劉建平,趙英時,孫淑玲.  遙感技術與應用. 2001(01)



本文編號：3567951