高光譜圖像的分類應(yīng)用在地質(zhì)勘探,城市擴(kuò)張,農(nóng)業(yè)和林業(yè)監(jiān)測,軍事等行業(yè)中起著至關(guān)重要的作用。高光譜圖像具有優(yōu)良的光譜信息和豐富的空間信息,其特征質(zhì)量是影響分類性能的關(guān)鍵因素之一。由于特征的類內(nèi)差異以及廣泛的光照和規(guī)模變化,分類問題仍然具有挑戰(zhàn)性。因此,如何從高光譜數(shù)據(jù)中提取本質(zhì)特征是本文的主要研究重點(diǎn)。主要工作如下:(1)高光譜圖像由于其光譜維數(shù)高,相關(guān)性強(qiáng),數(shù)據(jù)量大等特點(diǎn),在特征提取方面有很大的難度。針對經(jīng)典極限學(xué)習(xí)機(jī)算法難以較好的提取光譜特征的問題,本文引入特征學(xué)習(xí)技術(shù),提出一種基于判別信息的復(fù)合核極限學(xué)習(xí)機(jī)算法(CKELM-L)。CKELM-L充分利用了高斯分布信息,通過最大化類間矩陣與最小化類內(nèi)矩陣,可以使投影的低維數(shù)據(jù)更接近同一類別,遠(yuǎn)離不同類別,以提取光譜特征。考慮到光譜像素與空間像素之間的相關(guān)性,空間特征的獲得選用核方法。采取多核學(xué)習(xí)進(jìn)行特征融合操作,隨即分類。由分類后的相關(guān)數(shù)據(jù)可知,所提算法保留了更好的光譜特征,計(jì)算復(fù)雜度低且實(shí)現(xiàn)了出色的可分離性。(2)高光譜圖像具有光譜特征和空間特征,而特征之間也具有空間上下文信息。極限學(xué)習(xí)機(jī)的特點(diǎn)是訓(xùn)練參數(shù)少,訓(xùn)練速度快,泛化能力強(qiáng)。...

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題研究的背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 高光譜圖像特征選擇和特征提取研究現(xiàn)狀
        1.2.2 高光譜圖像分類(分類器)研究現(xiàn)狀
    1.3 本文主要研究內(nèi)容
    1.4 本文的組織結(jié)構(gòu)
2 理論與實(shí)驗(yàn)基礎(chǔ)
    2.1 高光譜圖像數(shù)據(jù)特點(diǎn)
    2.2 高光譜圖像特征提取方法
        2.2.1 光譜特征提取
        2.2.2 空間特征提取
    2.3 極限學(xué)習(xí)機(jī)
        2.3.1 單隱層前饋神經(jīng)網(wǎng)絡(luò)
        2.3.2 極限學(xué)習(xí)機(jī)算法
        2.3.3 核極限學(xué)習(xí)機(jī)算法
    2.4 高光譜圖像評價指標(biāo)
        2.4.1 混淆矩陣
        2.4.2 總體準(zhǔn)確度
        2.4.3 Kappa系數(shù)
    2.5 高光譜圖像數(shù)據(jù)集
        2.5.1 Indian Pines數(shù)據(jù)集
        2.5.2 Pavia University數(shù)據(jù)集
        2.5.3 Salinas Scene數(shù)據(jù)集
    2.6 本章小結(jié)
3 基于判別信息的復(fù)合核極限學(xué)習(xí)機(jī)用于高光譜圖像分類
    3.1 線性判別分析
    3.2 復(fù)合核極限學(xué)習(xí)機(jī)算法
    3.3 CKELM-L算法
    3.4 實(shí)驗(yàn)結(jié)果分析
        3.4.1 Indian Pines數(shù)據(jù)集實(shí)驗(yàn)結(jié)果
        3.4.2 Pavia University數(shù)據(jù)集實(shí)驗(yàn)結(jié)果
        3.4.3 Salinas Scene數(shù)據(jù)集實(shí)驗(yàn)結(jié)果
    3.5 本章小結(jié)
4 具有圖嵌入結(jié)構(gòu)的復(fù)合核極限學(xué)習(xí)機(jī)用于高光譜圖像分類
    4.1 圖嵌入算法
    4.2 GCKELM算法
    4.3 實(shí)驗(yàn)結(jié)果分析
        4.3.1 Indian Pines數(shù)據(jù)集實(shí)驗(yàn)結(jié)果
        4.3.2 Pavia University數(shù)據(jù)集實(shí)驗(yàn)結(jié)果
        4.3.3 Salinas Scene數(shù)據(jù)集實(shí)驗(yàn)結(jié)果
    4.4 本章小結(jié)
5 融合相關(guān)系數(shù)和圖嵌入的核極限學(xué)習(xí)機(jī)算法用于高光譜圖像分類
    5.1 相關(guān)系數(shù)
    5.2 CCGCKELM算法
    5.3 實(shí)驗(yàn)結(jié)果分析
        5.3.1 Indian Pines數(shù)據(jù)集實(shí)驗(yàn)結(jié)果
        5.3.2 Pavia University數(shù)據(jù)集實(shí)驗(yàn)結(jié)果
        5.3.3 Salinas Scene數(shù)據(jù)集實(shí)驗(yàn)結(jié)果
    5.4 本章小結(jié)
6 結(jié)論與展望
    6.1 結(jié)論
    6.2 展望
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：3872597