本文關(guān)鍵詞：高光譜圖像流形學(xué)習(xí)算法研究

  更多相關(guān)文章： 降維 等距映射算法 L1范數(shù) 稀疏特性 高光譜圖像

【摘要】：高光譜圖像通常由上百個(gè)波段組成,其中包含豐富的空間、輻射以及光譜信息。然而,這些高維數(shù)據(jù)也會(huì)造成維度災(zāi)難問題,導(dǎo)致數(shù)據(jù)難以有效利用。本論文提出利用流形學(xué)習(xí)算法對(duì)高光譜圖像進(jìn)行降維。對(duì)于高光譜圖像,高維空間中的數(shù)據(jù)往往是按照一定的低維空間結(jié)構(gòu)排列,這些結(jié)構(gòu)被稱為“流形”。本論文基于流形學(xué)習(xí)挖掘這些高維數(shù)據(jù)集中的特定結(jié)構(gòu),以便進(jìn)行回歸分析以及分類等后續(xù)處理。然而,大部分流形學(xué)習(xí)算法對(duì)大小為N×N的數(shù)據(jù)相似矩陣進(jìn)行特征向量分析,其中N表示數(shù)據(jù)點(diǎn)的數(shù)量。該分析的復(fù)雜度至少為O(N2),使得普通計(jì)算機(jī)對(duì)大數(shù)據(jù)集進(jìn)行數(shù)據(jù)運(yùn)算和存儲(chǔ)十分困難。為了解決這一問題,本論文引入了一個(gè)高光譜圖像流形學(xué)習(xí)降維框架。首先,利用統(tǒng)計(jì)學(xué)采樣方法得到原數(shù)據(jù)集的一個(gè)子集作為界標(biāo)(Landmark);第二步,根據(jù)這些界標(biāo)進(jìn)行流形學(xué)習(xí)降維形成流形骨架;第三步,將剩余的數(shù)據(jù)使用局部線性嵌入算法嵌入到流形骨架中,從而完成高光譜圖像降維;最后,使用已有的k最近鄰(KNN)分類方法,對(duì)不同流形學(xué)習(xí)算法降維前后的數(shù)據(jù)進(jìn)行分類,驗(yàn)證分類效果。本論文主要針對(duì)等距映射算法以及局部線性嵌入算法在鄰域選擇等問題上存在的缺點(diǎn),引入具有稀疏特性的L1范數(shù),對(duì)上述算法進(jìn)行改進(jìn)。首先,針對(duì)常規(guī)等距映射算法存在的鄰域連接問題,使用L1與L2范數(shù)結(jié)合的算法,優(yōu)化算法中鄰域選擇時(shí)的“短路”問題。其次,針對(duì)局部線性嵌入(LLE)算法中鄰域選擇范圍較小的問題,引入L1范數(shù),使算法自適應(yīng)地在較大的鄰域范圍內(nèi)選擇近鄰點(diǎn)。最后,利用已有數(shù)據(jù)集標(biāo)簽信息,建立監(jiān)督學(xué)習(xí)得到的鄰域關(guān)系圖,進(jìn)一步強(qiáng)化鄰域選擇效果。本論文將局部曲率變化采樣的高光譜流形學(xué)習(xí)框架和改進(jìn)后的流形學(xué)習(xí)算法應(yīng)用在機(jī)載可見光/紅外成像光譜儀(AVIRIS)高光譜圖像中,分析了不同采樣方法、不同流形學(xué)習(xí)算法以及不同關(guān)鍵參數(shù)對(duì)降維結(jié)果的影響。實(shí)驗(yàn)表明本論文使用的高光譜流形學(xué)習(xí)框架切實(shí)可行,能夠取得較好的降維效果,在保留數(shù)據(jù)主體結(jié)構(gòu)的同時(shí),高光譜圖像可以被降維到低維空間,并利用常用的幾種流形學(xué)習(xí)算法進(jìn)行土地利用分類結(jié)果精度比較,結(jié)果表明,本論文提出的算法分類精度高于主成分分析、原始Isomap算法等其他算法2%-5%。
【關(guān)鍵詞】：降維 等距映射算法 L1范數(shù) 稀疏特性 高光譜圖像
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP751
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 緒論10-16
• 1.1 研究意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀和發(fā)展態(tài)勢(shì)11-14
• 1.3 本論文研究?jī)?nèi)容和結(jié)構(gòu)14-16
• 1.3.1 主要研究?jī)?nèi)容14
• 1.3.2 論文結(jié)構(gòu)框架14-16
• 第二章 高光譜圖像流形學(xué)習(xí)算法分類16-25
• 2.1 線性流形學(xué)習(xí)降維方法16-19
• 2.1.1 主成分分析16-18
• 2.1.2 線性判別分析18
• 2.1.3 其它線性流形學(xué)習(xí)算法18-19
• 2.2 非線性流形學(xué)習(xí)降維方法19-23
• 2.2.1 等距映射算法19-21
• 2.2.2 局部線性嵌入算法21-22
• 2.2.3 局部切空間分析算法22-23
• 2.2.4 其它非線性流形學(xué)習(xí)算法23
• 2.3 線性和非線性流形學(xué)習(xí)效果比較23-24
• 2.4 本章小結(jié)24-25
• 第三章 高光譜圖像流形學(xué)習(xí)降維框架25-33
• 3.1 數(shù)據(jù)采樣26-28
• 3.1.1 局部曲率變化采樣26-27
• 3.1.2 Min-max采樣27-28
• 3.1.3 隨機(jī)采樣28
• 3.2 流形學(xué)習(xí)28-29
• 3.3 未采樣數(shù)據(jù)點(diǎn)嵌入29-30
• 3.4 數(shù)據(jù)分類驗(yàn)證以及精度評(píng)價(jià)30-32
• 3.4.1 KNN分類30-31
• 3.4.2 精度評(píng)價(jià)31-32
• 3.5 本章小結(jié)32-33
• 第四章 流形學(xué)習(xí)L1范數(shù)增強(qiáng)原理33-41
• 4.1 L1范數(shù)與L2范數(shù)異同33-35
• 4.2 L1范數(shù)與L2范數(shù)優(yōu)化35-36
• 4.3 基于L1范數(shù)Isomap鄰域關(guān)系圖36-38
• 4.4 基于L1范數(shù)數(shù)據(jù)嵌入38-39
• 4.5 監(jiān)督鄰域關(guān)系圖39-40
• 4.6 本章小結(jié)40-41
• 第五章 基于流形學(xué)習(xí)高光譜圖像降維應(yīng)用41-70
• 5.1 數(shù)據(jù)集介紹41-42
• 5.2 采樣方法比較42-44
• 5.3 基于L1范數(shù)算法優(yōu)化44-50
• 5.3.1 基于L1范數(shù)Isomap算法驗(yàn)證44-47
• 5.3.2 基于L1范數(shù)LLE算法驗(yàn)證47-49
• 5.3.3 監(jiān)督鄰域圖算法驗(yàn)證49-50
• 5.4 流形學(xué)習(xí)在高光譜遙感圖像降維中的應(yīng)用50-68
• 5.4.1 Salinas-A高光譜圖像降維50-59
• 5.4.2 Indian Pines高光譜圖像降維59-64
• 5.4.3 Salinas高光譜圖像降維64-68
• 5.5 本章小結(jié)68-70
• 第六章 結(jié)論和展望70-72
• 6.1 總結(jié)70
• 6.2 展望70-72
• 致謝72-73
• 參考文獻(xiàn)73-79
• 攻讀碩士期間發(fā)表論文79-80

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 周華;蔡超;丁明躍;;基于流形學(xué)習(xí)和流形高階近似的圖像距離度量[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年03期

2 黃鴻;李見為;馮海亮;;融合局部和全局結(jié)構(gòu)的流形學(xué)習(xí)[J];光學(xué)精密工程;2009年03期

3 賀廣南;楊育彬;;基于流形學(xué)習(xí)的圖像檢索算法研究[J];山東大學(xué)學(xué)報(bào)(工學(xué)版);2010年05期

4 金波;;基于年齡流形的人臉圖像年齡識(shí)別[J];中國新技術(shù)新產(chǎn)品;2011年01期

5 高崢;杜川;;基于流形學(xué)習(xí)算法的人臉識(shí)別研究[J];河南機(jī)電高等�？茖W(xué)校學(xué)報(bào);2011年04期

6 詹煒;;流形學(xué)習(xí)算法概述[J];武漢船舶職業(yè)技術(shù)學(xué)院學(xué)報(bào);2013年02期

7 丁玲;唐娉;李宏益;;基于流形學(xué)習(xí)的混合光譜解混分析[J];紅外與激光工程;2013年09期

8 顧艷春;;一種基于線性插值的流形學(xué)習(xí)算法[J];佛山科學(xué)技術(shù)學(xué)院學(xué)報(bào)(自然科學(xué)版);2013年01期

9 張輝遠(yuǎn);;基于高光譜影像的流形學(xué)習(xí)降維方法近鄰畸變分析[J];鐵道勘察;2014年02期

10 馮海亮;李見為;王旭初;黃鴻;;基于非線性子流形的人臉識(shí)別[J];重慶大學(xué)學(xué)報(bào);2008年03期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前4條

1 宋欣;王娟;張斌;葉世偉;;流形學(xué)習(xí)算法分析及在人臉數(shù)據(jù)庫上的應(yīng)用[A];2008年全國開放式分布與并行計(jì)算機(jī)學(xué)術(shù)會(huì)議論文集(上冊(cè))[C];2008年

2 劉曉平;季浩;鄧偉財(cái);;基于流形學(xué)習(xí)的非線性系統(tǒng)可視化算法[A];全國第21屆計(jì)算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議（CACIS·2010）暨全國第2屆安全關(guān)鍵技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2010年

3 何慧;陳博;郭軍;;基于流形學(xué)習(xí)的半監(jiān)督文本情感分類算法[A];第五屆全國信息檢索學(xué)術(shù)會(huì)議論文集[C];2009年

4 蔣全勝;賈民平;胡建中;許飛云;;一種基于流形學(xué)習(xí)的故障模式識(shí)別方法[A];第九屆全國振動(dòng)理論及應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2007年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 蘇祖強(qiáng);基于泛化流形學(xué)習(xí)的風(fēng)電機(jī)組傳動(dòng)系統(tǒng)早期故障診斷方法研究[D];重慶大學(xué);2015年

2 黃焱;基于流形學(xué)習(xí)的金融數(shù)據(jù)分析方法研究[D];電子科技大學(xué);2015年

3 馬婧華;基于流形學(xué)習(xí)的旋轉(zhuǎn)機(jī)械早期故障融合診斷方法研究[D];重慶大學(xué);2015年

4 邢向磊;流形學(xué)習(xí)與稀疏表示在模式識(shí)別中的應(yīng)用[D];南京大學(xué);2013年

5 盧磊;機(jī)械加工過程中的早期故障微弱信號(hào)處理方法研究[D];哈爾濱工業(yè)大學(xué);2016年

6 郝中華;基于微分流形的非線性降維方法研究[D];上海大學(xué);2016年

7 黃紅兵;層次流形學(xué)習(xí)及其在監(jiān)督分類中的應(yīng)用[D];上海交通大學(xué);2015年

8 杜春;流形學(xué)習(xí)及其應(yīng)用算法研究[D];國防科學(xué)技術(shù)大學(xué);2014年

9 黃鴻;圖嵌入框架下流形學(xué)習(xí)理論及應(yīng)用研究[D];重慶大學(xué);2008年

10 尹峻松;流形學(xué)習(xí)理論與方法研究及在人臉識(shí)別中的應(yīng)用[D];國防科學(xué)技術(shù)大學(xué);2007年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 胡浩松;基于流形學(xué)習(xí)的旋轉(zhuǎn)機(jī)械故障識(shí)別方法研究[D];燕山大學(xué);2015年

2 金偉;監(jiān)督型流形學(xué)習(xí)在模式識(shí)別中的研究[D];中國計(jì)量學(xué)院;2015年

3 郝勇智;基于流形學(xué)習(xí)的半監(jiān)督分類方法及其應(yīng)用[D];中北大學(xué);2016年

4 干強(qiáng);等距映射流形學(xué)習(xí)算法中的若干問題研究[D];南京大學(xué);2016年

5 劉學(xué);基于流形學(xué)習(xí)的時(shí)間序列聚類研究[D];河北經(jīng)貿(mào)大學(xué);2016年

6 陳鵬飛;轉(zhuǎn)子故障數(shù)據(jù)降維的流形學(xué)習(xí)方法研究[D];蘭州理工大學(xué);2016年

7 盧雨風(fēng);高光譜圖像流形學(xué)習(xí)算法研究[D];電子科技大學(xué);2016年

8 范自立;選擇標(biāo)注分層流形學(xué)習(xí)算法研究[D];蘇州大學(xué);2011年

9 呂偉澤;流形學(xué)習(xí)算法數(shù)據(jù)適用性問題的研究[D];燕山大學(xué);2013年

10 黃運(yùn)娟;等譜流形學(xué)習(xí)算法及其應(yīng)用研究[D];蘇州大學(xué);2014年

，

本文編號(hào)：601973