隨著數(shù)據(jù)模態(tài)多樣化,高光譜數(shù)據(jù)作為具有圖譜合一優(yōu)勢的一類遙感數(shù)據(jù)受到了廣泛關(guān)注,該數(shù)據(jù)能夠同時獲取觀測對象的空間維度和光譜維度信息,并多尺度、多維度的描述被觀測對象。目前,針對高光譜數(shù)據(jù)的精細分類模型多用于城市、農(nóng)田、環(huán)境監(jiān)測等領(lǐng)域,但如何提高分類模型對觀測區(qū)域的分類解譯的準確性,仍是一項需要深入探究的課題。在眾多分類方法中,本文以基于表示的和基于最小二乘回歸的分類模型為研究方向,分別對以上兩類方法在高光譜數(shù)據(jù)分類任務(wù)所面臨的局限性進行探究,并提出各自的改進模型,本文主要研究內(nèi)容如下所示:1、高光譜數(shù)據(jù)中光譜的不確定性嚴重影響著分類模型的實際效果,其中由于其簡單性和有效性而引起關(guān)注的基于協(xié)同表示的分類模型,針對未充分考慮改善樣本光譜維度的差異,以及未明確利用訓練樣本的類別標簽信息指導學習表示系數(shù)的問題,提出了一種基于結(jié)構(gòu)感知的協(xié)作表示分類模型,同時考慮利用訓練樣本的類別標簽信息和改善樣本光譜特征的不確定性,以獲得更有判別力的表示系數(shù)。在提出的分類框架中,采用了邊緣回歸。此外,設(shè)計了類間行稀疏結(jié)構(gòu)以保持類內(nèi)樣本的緊湊性和類間樣本的差異性,從而增強了樣本的可分離性。對三個開源高光譜數(shù)據(jù)集進... 

【文章頁數(shù)】：98 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)高光譜圖像分類方法
        1.2.2 基于協(xié)同表示的高光譜分類方法
        1.2.3 基于回歸表示的圖像分類方法
        1.2.4 難點及問題分析
    1.3 論文的主要研究內(nèi)容及創(chuàng)新點
        1.3.1 論文的主要研究內(nèi)容
        1.3.2 論文的創(chuàng)新之處
    1.4 論文結(jié)構(gòu)
第二章 基于表示框架的高光譜圖像分類模型
    2.1 基于協(xié)同表示的分類模型
        2.1.1 協(xié)同表示算法原理
        2.1.2 基于Tikhonov正則化的協(xié)同表示
    2.2 基于回歸表示的分類模型
        2.2.1 重定向最小二乘回歸分類模型
        2.2.2 基于類間稀疏的判別最小二乘回歸分類模型
        2.2.3 正則化標簽松弛線性回歸分類模型
    2.3 本章小結(jié)
第三章 基于結(jié)構(gòu)感知的協(xié)同表示分類模型
    3.1 引言
    3.2 基于結(jié)構(gòu)感知協(xié)同表示的高光譜數(shù)據(jù)分類
        3.2.1 模型原理
        3.2.2 模型求解
        3.2.3 算法對比
    3.3 實驗內(nèi)容與分析
        3.3.1 實驗數(shù)據(jù)與評價指標
        3.3.2 參數(shù)調(diào)優(yōu)
        3.3.3 SaCRT算法效果分析
        3.3.4 SaCRT分類效果評估
    3.4 本章小結(jié)
第四章 基于判別邊緣最小二乘回歸的分類模型
    4.1 引言
    4.2 基于判別邊緣最小二乘回歸的高光譜數(shù)據(jù)分類
        4.2.1 模型原理
        4.2.2 模型求解
    4.3 實驗內(nèi)容與分析
        4.3.1 實驗數(shù)據(jù)與評價指標
        4.3.2 參數(shù)調(diào)優(yōu)
        4.3.3 DMLSR算法效果分析
        4.3.4 DMLSR分類效果評估
    4.4 本章小結(jié)
第五章 結(jié)論與展望
    5.1 結(jié)論
    5.2 展望
參考文獻
致謝
研究成果及發(fā)表的學術(shù)論文
作者和導師簡介
碩士研究生學位論文答辯委員會決議書



本文編號：3709862