本文關(guān)鍵詞：面向混合像元的高光譜遙感數(shù)據(jù)降維，由筆耕文化傳播整理發(fā)布。

【摘要】：高光譜數(shù)據(jù)包含大量的空間、光譜等信息,它將決定地物性質(zhì)的光譜和決定地物空間與幾何特性的圖像有機(jī)的結(jié)合,有利于高光譜數(shù)據(jù)更準(zhǔn)確地分類。但是,由于高光譜數(shù)據(jù)的波段數(shù)眾多,給分類器的模型選擇和訓(xùn)練均帶來(lái)了困難。因此,對(duì)高光譜數(shù)據(jù)進(jìn)行降維,提取更具判別性的分類特征,已變成當(dāng)前高光譜數(shù)據(jù)處理中的重要問(wèn)題。由于高光譜圖像的空間分辨率有限,圖像中存在包含多類地物的混合像元。正是由于混合像元,屬于同類的樣本可能具有不同的光譜向量,而屬于異類的樣本可能具有相同的光譜向量。然而,以往的降維方法往往未考慮混合像元的影響,從而導(dǎo)致提取的特征判別性不高,從而產(chǎn)生大量的錯(cuò)分。針對(duì)該問(wèn)題,在判別子空間投影的基礎(chǔ)上,設(shè)計(jì)了幾種改進(jìn)方案。具體研究?jī)?nèi)容如下:(1)提出了一種基于模糊標(biāo)簽的判別子空間投影算法。首先,定義模糊標(biāo)簽,用“相似的樣本具有相似的模糊標(biāo)簽”的假設(shè)代替“相似的樣本具有相同的標(biāo)簽”的假設(shè),構(gòu)造拉普拉斯正則項(xiàng);然后,利用標(biāo)記樣本構(gòu)造判別子空間投影判別項(xiàng),最大化異類近鄰與同類近鄰間的邊界;最后,聯(lián)合優(yōu)化投影矩陣和模糊標(biāo)簽,在無(wú)需設(shè)計(jì)分類器的情況下,借助模糊標(biāo)簽實(shí)現(xiàn)分類,同步實(shí)現(xiàn)了高光譜數(shù)據(jù)的降維與分類。在Indian Pines、Salinas-A、Pavia Centre、Botswana、KSC高光譜數(shù)據(jù)庫(kù)上進(jìn)行仿真實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明:該算法能有效緩解混合像元的問(wèn)題,更好地實(shí)現(xiàn)分類。(2)提出了一種基于混合模糊標(biāo)簽的半監(jiān)督高光譜數(shù)據(jù)的降維方法。首先,為充分利用樣本的空間信息,通過(guò)Turbopixels算法對(duì)圖像進(jìn)行超像素分割,再挑選出超像素中的混合像元;然后針對(duì)優(yōu)化后的超像素和混合像元,分別創(chuàng)建基于超像素和像素的模糊標(biāo)簽,構(gòu)造基于模糊標(biāo)簽的拉普拉斯正則項(xiàng);最后結(jié)合判別子空間投影準(zhǔn)則,同步求取最佳投影矩陣和分類結(jié)果。在Indian Pines、Salinas-A、Pavia Centre高光譜數(shù)據(jù)庫(kù)上進(jìn)行仿真實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明:該算法保持了數(shù)據(jù)的空間一致性,提高了高光譜遙感數(shù)據(jù)的分類識(shí)別率。(3)提出了一種基于自步學(xué)習(xí)模糊標(biāo)簽的半監(jiān)督高光譜數(shù)據(jù)降維方法。由于混合像元不利于模型的建立且雙凸優(yōu)化問(wèn)題的最優(yōu)解常常陷入局部最優(yōu),該算法引入自步學(xué)習(xí)算法,在訓(xùn)練過(guò)程中不再直接輸入全部訓(xùn)練樣本參與訓(xùn)練,而是在迭代求解過(guò)程中,逐步加入更具判別性的像素同時(shí)優(yōu)化模型參數(shù),因而更能緩解混合像元的問(wèn)題,改進(jìn)優(yōu)化過(guò)程。在Indian Pines、Salinas-A、Pavia Centre高光譜數(shù)據(jù)庫(kù)上進(jìn)行仿真實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明:該算法可更好地緩解混合像元的問(wèn)題,并且改善投影矩陣的解陷入局部最優(yōu)的難題。
【關(guān)鍵詞】：半監(jiān)督 模糊標(biāo)簽 混合模糊標(biāo)簽 最大化邊界準(zhǔn)則 自步學(xué)習(xí)
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP751
【目錄】：

• 摘要5-7
• ABSTRACT7-11
• 符號(hào)對(duì)照表11-12
• 縮略語(yǔ)對(duì)照表12-15
• 第一章 緒論15-23
• 1.1 研究背景15-20
• 1.1.1 高光譜遙感影像技術(shù)的發(fā)展概況15-16
• 1.1.2 高光譜圖像地物分類的概述16-19
• 1.1.3 高光譜數(shù)據(jù)降維的必要性19-20
• 1.2 研究目的與意義20
• 1.3 研究?jī)?nèi)容與創(chuàng)新20-23
• 第二章 基于模糊標(biāo)簽的判別子空間投影的高光譜數(shù)據(jù)降維和分類方法23-41
• 2.1 模糊標(biāo)簽的概念23-24
• 2.2 基于模糊標(biāo)簽的拉普拉斯正則項(xiàng)24-25
• 2.3 基于模糊標(biāo)簽的判別子空間投影方法25-29
• 2.3.1 子空間投影方法25-27
• 2.3.2 判別子空間投影方法27-28
• 2.3.3 FS-DSP優(yōu)化問(wèn)題的解決方案28-29
• 2.4 實(shí)驗(yàn)結(jié)果分析29-38
• 2.4.1 實(shí)驗(yàn)條件29-35
• 2.4.2 判別項(xiàng)的性能分析35
• 2.4.3 FS-DSP與對(duì)比算法的分類結(jié)果35-37
• 2.4.4 標(biāo)記樣本數(shù)目對(duì)性能的影響37-38
• 2.4.5 對(duì)本章算法FS-DSP的參數(shù)的性能分析38
• 2.5 本章小結(jié)38-41
• 第三章 基于混合模糊標(biāo)簽的半監(jiān)督高光譜數(shù)據(jù)降維方法41-53
• 3.1 超像素分割算法的介紹41-42
• 3.2 基于混合模糊標(biāo)簽的半監(jiān)督高光譜數(shù)據(jù)降維方法42-45
• 3.2.1 混合模糊標(biāo)簽的概念42-43
• 3.2.2 基于混合模糊標(biāo)簽的高光譜數(shù)據(jù)降維43-45
• 3.3 實(shí)驗(yàn)結(jié)果分析45-52
• 3.3.1 Indian Pines數(shù)據(jù)的實(shí)驗(yàn)結(jié)果46-47
• 3.3.2 Pavia University數(shù)據(jù)集上的結(jié)果47-49
• 3.3.3 Salinas-A數(shù)據(jù)集上的結(jié)果49-51
• 3.3.4 對(duì)本章算法的參數(shù)的性能分析51-52
• 3.4 本章小結(jié)52-53
• 第四章 基于自步學(xué)習(xí)模糊標(biāo)簽的半監(jiān)督高光譜數(shù)據(jù)降維方法53-65
• 4.1 自步學(xué)習(xí)算法53-56
• 4.1.1 隱變量模型學(xué)習(xí)算法53-54
• 4.1.2 自步學(xué)習(xí)算法54-56
• 4.2 基于自步學(xué)習(xí)模糊標(biāo)簽的降維方法56-58
• 4.3 實(shí)驗(yàn)結(jié)果與分析58-63
• 4.3.1 Indian Pines數(shù)據(jù)的實(shí)驗(yàn)結(jié)果58-60
• 4.3.2 Pavia University數(shù)據(jù)集上的結(jié)果60-62
• 4.3.3 Salinas-A數(shù)據(jù)集上的結(jié)果62-63
• 4.4 本章小結(jié)63-65
• 第五章 總結(jié)與展望65-67
• 5.1 論文內(nèi)容總結(jié)65
• 5.2 工作展望65-67
• 參考文獻(xiàn)67-73
• 致謝73-75
• 作者簡(jiǎn)介75-76

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 閻國(guó)倩;趙云升;寧艷玲;趙乃卓;仲桂新;;混合像元光譜特征影響因子分析[J];光譜學(xué)與光譜分析;2009年12期

2 吳波,張良培,李平湘;基于光譜維小波特征的混合像元投影迭代分解[J];電子學(xué)報(bào);2005年11期

3 厲小潤(rùn);伍小明;趙遼英;;非監(jiān)督的高光譜混合像元非線性分解方法[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2011年04期

4 桂預(yù)風(fēng),張繼賢,林宗堅(jiān);土地利用遙感動(dòng)態(tài)監(jiān)測(cè)中混合像元的分解方法研究[J];遙感信息;2000年02期

5 吳波;張良培;李平湘;;基于支撐向量回歸的高光譜混合像元非線性分解[J];遙感學(xué)報(bào);2006年03期

6 楊偉;陳晉;松下文經(jīng);宮鵬;陳春曉;;基于相關(guān)系數(shù)匹配的混合像元分解算法[J];遙感學(xué)報(bào);2008年03期

7 戴曉燕;過(guò)仲陽(yáng);張利權(quán);吳健平;;基于混合像元分類的城市地表覆蓋時(shí)空演變格局研究[J];地理科學(xué);2009年01期

8 麻慶苗;李靜;劉強(qiáng);柳欽火;;混合像元聚集指數(shù)研究及尺度分析[J];遙感學(xué)報(bào);2012年05期

9 梁娜;何明一;;基于遺傳算法的混合像元快速分解及分類算法[J];遙感技術(shù)與應(yīng)用;2007年04期

10 吳波,張良培,李平湘;非監(jiān)督正交子空間投影的高光譜混合像元自動(dòng)分解[J];中國(guó)圖象圖形學(xué)報(bào);2004年11期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前1條

1 孔祥皓;;混合像元的熱紅外輻射特性分析與驗(yàn)證[A];遙感定量反演算法研討會(huì)摘要集[C];2010年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 李春芝;基于高光譜影像的抗噪模型及解混算法研究[D];華東師范大學(xué);2014年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 徐行偉;結(jié)合原始對(duì)偶內(nèi)點(diǎn)法的全約束豐度估計(jì)[D];大連海事大學(xué);2016年

2 周紅靜;面向混合像元的高光譜遙感數(shù)據(jù)降維[D];西安電子科技大學(xué);2015年

3 劉俊;高光譜圖像混合像元分類技術(shù)研究[D];中國(guó)地質(zhì)大學(xué)（北京）;2010年

4 孫天琳;水生植物與水體混合像元的偏振高光譜特征分析[D];東北師范大學(xué);2013年

5 馮淦;基于混合像元解混與圖像恢復(fù)技術(shù)的遙感圖像云霧消除研究[D];成都理工大學(xué);2012年

6 閆春雨;基于模糊理論的遙感影像混合像元分類方法研究[D];遼寧工程技術(shù)大學(xué);2008年

7 楊健;高/多光譜圖像混合像元解混研究[D];華中科技大學(xué);2011年

8 何倩倩;枯樹(shù)葉與土壤混合像元的反射高光譜特征的研究[D];東北師范大學(xué);2013年

9 閻國(guó)倩;植被與土壤混合像元的高光譜偏振特性研究[D];東北師范大學(xué);2013年

10 周昕;高光譜遙感圖像混合像元分解算法研究[D];浙江大學(xué);2015年

  本文關(guān)鍵詞：面向混合像元的高光譜遙感數(shù)據(jù)降維，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：481018