隨著高光譜遙感技術(shù)的發(fā)展,在同一個(gè)地區(qū)獲取的地表圖像擁有數(shù)以百計(jì)的頻譜波段,擁有的光譜信息是多光譜圖像的幾十倍。然而,由于高光譜遙感圖像擁有大量光譜信息的同時(shí)也增加了它的分類難度,它的主要挑戰(zhàn)是存在大量的光譜特征而只有有限的訓(xùn)練樣本(由于手工標(biāo)記樣本的難度和費(fèi)用)。因此,如何利用豐富的信息來有效的解決小樣本問題是一個(gè)重要的研究課題,在高光譜遙感圖像分析中備受關(guān)注。紋理特征是區(qū)分不同目標(biāo)對(duì)象的重要因素之一,能夠幫助減少光譜變化以及同譜異物時(shí)的不良影響,其中,Gabor濾波器是一種強(qiáng)大的工具可以捕捉圖像的方向、大小和其他內(nèi)部結(jié)構(gòu)信息。二維Gabor濾波器已經(jīng)廣泛的應(yīng)用與紋理分析領(lǐng)域,而紋理分割也成功的應(yīng)用在高光譜圖像分類中。判別字典學(xué)習(xí)的目的是從訓(xùn)練樣本中學(xué)習(xí)一個(gè)過完備的字典以提高它的編碼向量的判別能力。Gabor小波可以提取局部的空間和光譜信息且成功的應(yīng)用在高光譜圖像分類中,由于Gabor特征的強(qiáng)大的判別能力,本文提出一種基于Gabor特征的高效高光譜圖像分類方法,稱為基于Gabor特征的支持向量引導(dǎo)字典學(xué)習(xí)方法,在原始的高光譜數(shù)據(jù)中提取Gabor特征用來構(gòu)造初始字典,字典學(xué)習(xí)中的判別項(xiàng)...

【文章頁數(shù)】：54 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及選題來源
    1.2 國內(nèi)外在相關(guān)領(lǐng)域的研究進(jìn)展
    1.3 高光譜圖像分類面臨的主要問題
    1.4 高光譜圖像數(shù)據(jù)介紹
        1.4.1 KennedySpaceCenter(KSC)數(shù)據(jù)集
        1.4.2 Salinas 數(shù)據(jù)集
        1.4.3 IndianPines數(shù)據(jù)集
    1.5 論文結(jié)構(gòu)
第2章 現(xiàn)有高光譜圖像研究
    2.1 高光譜圖像的空間與光譜特征提取
        2.1.1 主成分分析(PCA)
        2.1.2 獨(dú)立成分分析(ICA)
        2.1.3 局部二值模式(LBP)
    2.2 高光譜圖像的分類方法
        2.2.1 支持向量機(jī)(SVM)
        2.2.2 K-近鄰分類(KNN)
        2.2.3 基于稀疏表示分類(SRC)
    2.3 本章小結(jié)
第3章 基于Gabor特征與支持向量引導(dǎo)字典學(xué)習(xí)的高光譜圖像分類
    3.1 引言
    3.2 Gabor特征
        3.2.1 Gabor特征的提出
        3.2.2 一維與二維的Gabor特征
    3.3 支持向量引導(dǎo)字典學(xué)習(xí)模型
    3.4 基于二維Gabor與支持向量引導(dǎo)字典學(xué)習(xí)方法
    3.5 實(shí)驗(yàn)結(jié)果及分析
        3.5.1 KennedySpaceCenter數(shù)據(jù)集
        3.5.2 Salinas數(shù)據(jù)集
    3.6 本章小結(jié)
第4章 基于擴(kuò)展形態(tài)特征與Gabor特征融合的高光譜圖像分類
    4.1 引言
    4.2 高光譜圖像的擴(kuò)展形態(tài)特征
    4.3 三維Gabor特征
    4.4 基于擴(kuò)展形態(tài)特征與Gabor特征融合方法
        4.4.1 基于擴(kuò)展形態(tài)的三維Gabor特征提取
        4.4.2 對(duì)擴(kuò)展形態(tài)的三維Gabor特征選擇
    4.5 實(shí)驗(yàn)結(jié)果及分析
        4.5.1 AVIRISIndianPines數(shù)據(jù)集
        4.5.2 KennedySpaceCenter數(shù)據(jù)集
    4.6 本章小結(jié)
第5章 總結(jié)與展望
    5.1 研究工作總結(jié)
    5.2 未來研究工作展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間的研究成果



本文編號(hào)：3872490