本文關(guān)鍵詞：張量空間FCM算法研究及其在高光譜遙感圖像分類中的應(yīng)用，由筆耕文化傳播整理發(fā)布。

【摘要】：高光譜遙感圖像極高的光譜分辨率以及“圖譜合一”的特性可以有效地對地物分類。但是由于高光譜數(shù)據(jù)高分辨率、高維數(shù)、數(shù)量大的特點,常規(guī)的圖像分類方法在高光譜圖像分類時有較大的限制。為此本文開展了張量FCM算法研究及其在高光譜遙感圖像分類中的應(yīng)用,主要內(nèi)容如下：(1)本文就高光譜遙感圖像的結(jié)構(gòu)特點,將其映射到張量空間,探討了張量模式下的高光譜遙感圖像。首先具體介紹了張量的定義及相關(guān)的多維線性代數(shù)理論,接著介紹了張量計算的優(yōu)勢,最后給出了高光譜遙感圖像空間-光譜特征張量描述的理論。(2)針對高光譜數(shù)據(jù)的特點,在原始高維空間做高光譜遙感圖像分類會出現(xiàn)“維數(shù)災(zāi)難”問題,不僅會增加計算的復(fù)雜度和存儲空間,而且還會降低分類精度。為解決上述不足,在做高光譜遙感圖像分類的時候,使用多線性主成分分析方法(MPCA)將其降維到低維張量空間做分類,能有效提高高光譜遙感圖像分類的速度和分類的準確性。使用傳統(tǒng)模糊C均值(FCM)算法對高光譜遙感圖像做分類時只考慮了樣本間的光譜信息,卻忽略了樣本之間的空間信息,其分類效果不佳。(3)為提高分類精度,本文使用張量模糊C均值(TFCM)算法把高光譜圖像映射到張量空間做圖像分類,這樣能夠同時考慮空譜信息。實驗結(jié)果表明,TFCM算法的總體分類精度有較大的提升,但是對于光譜特征比較相似地物分類效果不好。為進一步提高分類效果,提出了加權(quán)張量模糊C均值(WTFCM)算法,即給每個樣本分配一個樣本與剩余樣本之間關(guān)系的無監(jiān)督加權(quán)均值。WTFCM分類精度相比TFCM有大幅提升,但是其受加權(quán)指數(shù)m影響比較大,穩(wěn)定性差。為此提出了新的加權(quán)張量模糊C均值(NWTFCM),不同與WTFCM該算法的無監(jiān)督加權(quán)均值,它是樣本和TFCM聚類中心之間關(guān)系的一個值。實驗表明NWTFCM的分類效果要比WTFCM好,而且在穩(wěn)定性上有一定的提升。
【關(guān)鍵詞】：高光譜圖像分類 張量空間 多線性主成分分析 張量模糊C均值 加權(quán)張量模糊C均值
【學位授予單位】：西南交通大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP751
【目錄】：

• 摘要6-7
• Abstract7-11
• 第一章 緒論11-17
• 1.1 課題研究背景及意義11
• 1.2 高光譜圖像數(shù)據(jù)數(shù)據(jù)特點11-14
• 1.3 高光譜圖像的分類14-15
• 1.4 論文主要研究內(nèi)容及結(jié)構(gòu)安排15-17
• 第二章 張量空間中的高光譜圖像17-25
• 2.1 張量及張量代數(shù)17-20
• 2.1.1 張量Keronecker積18
• 2.1.2 矩陣Khatri-Rao積18-19
• 2.1.3 張量d階展開19
• 2.1.4 張量內(nèi)積19-20
• 2.1.5 張量的外積20
• 2.1.6 張量縮并20
• 2.2 高光譜遙感圖像張量計算優(yōu)勢20-22
• 2.3 高光譜遙感圖像張量描述22-24
• 2.3.1 高光譜圖像空—譜張量描述22-23
• 2.3.2 高光譜圖像多特征張量描述23-24
• 2.4 本章小結(jié)24-25
• 第三章 高光譜圖像分類技術(shù)25-39
• 3.1 高光譜圖像分類理論25-29
• 3.1.1 高光譜非監(jiān)督分類25-26
• 3.1.2 分類精度評價26-27
• 3.1.3 實驗數(shù)據(jù)27-29
• 3.2 數(shù)據(jù)降維29-33
• 3.2.1 主成分分析PCA30
• 3.2.2 多線性主成分分析(MPCA)30-31
• 3.2.3 MPCA特征值提取實驗分析31-33
• 3.3 K-means聚類算法33-34
• 3.4 FCM聚類算法34-37
• 3.4.1 算法介紹34-35
• 3.4.2 FCM算法分析35
• 3.4.3 實驗分析35-37
• 3.5 本章小結(jié)37-39
• 第四章 基于張量FCM算法的高光譜遙感圖像分類39-56
• 4.1 張量FCM算法39-45
• 4.1.1 算法推導(dǎo)39-42
• 4.1.2 分類流程42-43
• 4.1.3 實驗分析43-45
• 4.2 加權(quán)張量FCM算法(WTFCM)45-47
• 4.2.1 非參數(shù)的加權(quán)特征提取45-46
• 4.2.2 算法推導(dǎo)46-47
• 4.3 新的加權(quán)張量FCM(NWTFCM)47-48
• 4.4 實驗分析48-55
• 4.4.1 數(shù)據(jù)一結(jié)果分析48-51
• 4.4.2 數(shù)據(jù)二結(jié)果分析51-55
• 4.5 本章小結(jié)55-56
• 總結(jié)與展望56-58
• 致謝58-59
• 參考文獻59-63
• 攻讀碩士期間發(fā)表的論文及科研成果63

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 李元萍,李元良;MATLAB編程實現(xiàn)ISODATA算法[J];礦業(yè)研究與開發(fā);2005年03期

中國博士學位論文全文數(shù)據(jù)庫 前2條

1 高恒振;高光譜遙感圖像分類技術(shù)研究[D];國防科學技術(shù)大學;2011年

2 劉小軍;人臉識別技術(shù)研究[D];中國科學院電子學研究所;2001年

中國碩士學位論文全文數(shù)據(jù)庫 前2條

1 宮改云;FCM算法參數(shù)研究及其應(yīng)用[D];西安電子科技大學;2004年

2 肖倩;結(jié)合空間信息與光譜信息的高光譜圖像分類研究[D];哈爾濱工程大學;2013年

  本文關(guān)鍵詞：張量空間FCM算法研究及其在高光譜遙感圖像分類中的應(yīng)用，由筆耕文化傳播整理發(fā)布。

，

本文編號：396713