高光譜遙感技術(shù)通過數(shù)百個光譜窄波段實現(xiàn)地面場景成像,具有較高的光譜分辨率,波段連續(xù)且地物識別能力較強。在地質(zhì)繪圖和勘探、大氣或植被生態(tài)監(jiān)測、產(chǎn)品質(zhì)檢、精細(xì)農(nóng)業(yè)、城市遙感和軍事戰(zhàn)場偵察等領(lǐng)域有廣泛的應(yīng)用。高光譜遙感圖像具有冗余度高、相關(guān)性強、數(shù)據(jù)量大等特點,給圖像分類識別帶來了諸多挑戰(zhàn)。針對高光譜圖像的特點,本文在現(xiàn)有圖像特征提取方法和分類識別方法的基礎(chǔ)上研究基于光譜和空間的特征提取算法和圖像分類方法。主要工作如下:(1)研究分析現(xiàn)階段的高光譜圖像特征提取方法、高光譜圖像模式識別方法,介紹常用的高光譜圖像評價分類指標(biāo)及數(shù)據(jù)集等。(2)提出了譜空特征分層融合的高光譜圖像特征提取算法,并在無監(jiān)督極限學(xué)習(xí)機上進(jìn)行分類。對于高光譜圖像,無監(jiān)督極限學(xué)習(xí)機在分類時會產(chǎn)生計算時間長,分類精度低的現(xiàn)象。為解決這個問題在無監(jiān)督極限學(xué)習(xí)機中加入譜空特征分層融合算法。該算法首先利用基于光譜維的特征提取算法LDA將原始高光譜圖像數(shù)據(jù)降到一定維數(shù),提取光譜信息。然后對降維后的數(shù)據(jù)采用多尺度自適應(yīng)加權(quán)濾波器AWF進(jìn)行濾波,提取空間信息。兩種算法交替使用設(shè)計了分層融合框架,有效提取出了高光譜圖像中重要的譜空信息。為驗...

【文章頁數(shù)】：46 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 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 高光譜圖像特征提取研究現(xiàn)狀
        1.2.2 高光譜圖像分類方法研究現(xiàn)狀
    1.3 本文研究內(nèi)容
    1.4 論文結(jié)構(gòu)安排
2 理論基礎(chǔ)
    2.1 高光譜圖像特征提取方法
        2.1.1 主成分分析
        2.1.2 局部保持投影
        2.1.3 線性判別分析
    2.2 高光譜圖像模式識別方法
        2.2.1 k-近鄰算法
        2.2.2 支持向量機
        2.2.3 極限學(xué)習(xí)機
    2.3 高光譜圖像評價指標(biāo)
    2.4 高光譜圖像數(shù)據(jù)集
    2.5 本章總結(jié)
3 譜空特征分層融合的高光譜圖像算法
    3.1 譜空特征分層融合學(xué)習(xí)方法
        3.1.1 基于AWF的空間特征學(xué)習(xí)方法
        3.1.2 LDA算法
    3.2 無監(jiān)督極限學(xué)習(xí)機UDELM
        3.2.1 USELM算法
        3.2.2 UDELM算法
    3.3 SSUDELM算法
    3.4 實驗結(jié)果與分析
    3.5 本章小結(jié)
4 融合傳播濾波的高光譜圖像分類深度網(wǎng)絡(luò)
    4.1 高光譜圖像預(yù)處理
    4.2 加權(quán)核極限學(xué)習(xí)機
    4.3 PF-SSN算法
    4.4 實驗結(jié)果及分析
        4.4.1 在Indian圖像數(shù)據(jù)實驗結(jié)果
        4.4.2 在Pavia U圖像數(shù)據(jù)實驗結(jié)果
    4.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝



本文編號：3793493