本文關(guān)鍵詞：高光譜圖像特征學(xué)習(xí)與分類算法研究

  更多相關(guān)文章： 高光譜遙感圖像 張量標(biāo)度切 特征提取 特征選擇 深度學(xué)習(xí) 多任務(wù) 稀疏表示 分類

【摘要】：近年來(lái),遙感技術(shù)飛躍發(fā)展使得高光譜成像儀獲得的高光譜遙感圖像有著光譜分辨率高、光譜通道數(shù)多的特點(diǎn),并在生態(tài)科學(xué)、地質(zhì)科學(xué)、水文科學(xué)、精準(zhǔn)農(nóng)業(yè)和軍事等領(lǐng)域有著廣泛的應(yīng)用。與此同時(shí),波段數(shù)多、數(shù)據(jù)量大也帶來(lái)一些諸如計(jì)算復(fù)雜度高,噪聲干擾和標(biāo)記樣本困難等問(wèn)題。因此,如何有效降低高光譜遙感圖像的維度,提取有用的特征是處理高光譜遙感圖像需要解決的一個(gè)重要問(wèn)題。本文主要對(duì)遙感圖像數(shù)據(jù)的特征學(xué)習(xí)和分類方法進(jìn)行研究,通過(guò)特征選擇和特征提取,降低圖像維度,減少存儲(chǔ)和計(jì)算量,改進(jìn)分類算法從而提高分類精度。本論文主要工作概括如下：(1)提出一種基于半監(jiān)督張量標(biāo)度切特征提取方法,并應(yīng)用于高光譜遙感圖像的分類。首先采用了能夠結(jié)合高光譜圖像空間信息與譜域信息的張量表示法對(duì)其進(jìn)行表示,并對(duì)其進(jìn)行分塊處理。接下來(lái)根據(jù)已標(biāo)記樣本計(jì)算樣本之間的類間不相似性和類內(nèi)不相似性,并以此在張量空間通過(guò)奇異值分解計(jì)算投影矩陣。實(shí)驗(yàn)結(jié)果表明,該方法將高光譜圖像分成若干子張量,不僅保存了原始圖像的空間結(jié)構(gòu),利用了空間與譜間的相關(guān)性,更是充分挖掘了圖像局部空間相關(guān)性,圖像數(shù)據(jù)降維后再利用支撐矢量機(jī)進(jìn)行分類,提高了分類性能。(2)提出一種基于深度學(xué)習(xí)的高光譜遙感圖像波段選擇方法,并應(yīng)用于高光譜遙感圖像的分類。首先利用深度網(wǎng)絡(luò)對(duì)高光譜圖像每個(gè)波段進(jìn)行特征學(xué)習(xí),然后利用Softmax分類器求得的概率值構(gòu)造出波段之間的相關(guān)性矩陣,接著利用譜聚類算法進(jìn)行聚類,得到冗余度較小的候選波段集,最后利用所選出的波段構(gòu)造對(duì)應(yīng)的新數(shù)據(jù)集并用于進(jìn)行分類判決。實(shí)驗(yàn)結(jié)果,表明利用支撐矢量機(jī)對(duì)所選出來(lái)的候選波段構(gòu)成的圖像進(jìn)行分類,獲得了更高的性能。(3)提出一種基于權(quán)重多任務(wù)聯(lián)合稀疏表示的分類方法。本方法將原始特征相近的樣本歸為同一個(gè)任務(wù),得到若干個(gè)任務(wù),數(shù)據(jù)點(diǎn)所在的不同任務(wù)之間具有不同的權(quán)重值,影響了聯(lián)合稀疏表示對(duì)字典中原子的選擇。通過(guò)多任務(wù)理論框架,我們能進(jìn)一步提升稀疏表示分類算法的準(zhǔn)確度。本方法的研究目的在于通過(guò)使用包含在相關(guān)任務(wù)中的信息來(lái)改善單任務(wù)學(xué)習(xí)的性能。
【關(guān)鍵詞】：高光譜遙感圖像 張量標(biāo)度切 特征提取 特征選擇 深度學(xué)習(xí) 多任務(wù) 稀疏表示 分類
【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5-6
• ABSTRACT6-10
• 符號(hào)對(duì)照表10-11
• 縮略語(yǔ)對(duì)照表11-15
• 第一章 緒論15-23
• 1.1 研究背景與意義15-17
• 1.1.1 高光譜遙感圖像的特點(diǎn)與應(yīng)用15-16
• 1.1.2 高光譜遙感圖像特征降維、波段選擇和分類的意義16-17
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀分析17-20
• 1.2.1 特征選擇研究現(xiàn)狀分析17-19
• 1.2.2 特征提取算法研究現(xiàn)狀分析19-20
• 1.2.3 分類算法研究現(xiàn)狀分析20
• 1.3 論文的主要工作及內(nèi)容安排20-23
• 第二章 傳統(tǒng)降維算法的介紹23-29
• 2.1 幾種典型的特征提取算法23-25
• 2.1.1 主成分分析法PCA23
• 2.1.2 線性判別分析LDA23-24
• 2.1.3 標(biāo)度切SC24-25
• 2.2 幾種經(jīng)典的特征選擇算法25-27
• 2.2.1 順序前進(jìn)算法SFS25
• 2.2.2 順序后退算法SBS25-26
• 2.2.3 近鄰傳播算法AP26-27
• 2.3 總結(jié)27-29
• 第三章 基于張量特征提取的高光譜圖像分類29-47
• 3.1 引言29
• 3.2 張量及其運(yùn)算法則介紹29-31
• 3.3 張量標(biāo)度切TSC31-34
• 3.4 半監(jiān)督張量標(biāo)度切34-36
• 3.4.1 半監(jiān)督特征降維框架34
• 3.4.2 半監(jiān)督張量標(biāo)度切STSC34-36
• 3.5 基于張量特征降維的高光譜圖像分類方法36-46
• 3.5.1 實(shí)驗(yàn)設(shè)計(jì)36-39
• 3.5.2 分類結(jié)果與分析39-44
• 3.5.3 帶有類標(biāo)的訓(xùn)練樣本個(gè)數(shù)對(duì)各降維算法性能的影響44-45
• 3.5.4 不帶類標(biāo)樣本個(gè)數(shù)對(duì)STSC算法性能的影響45-46
• 3.6 總結(jié)46-47
• 第四章 基于深度學(xué)習(xí)的高光譜遙感圖像波段選擇47-61
• 4.1 引言47
• 4.2 深度學(xué)習(xí)47
• 4.3 基于自編碼器(AE)的高光譜圖像波段選擇47-53
• 4.3.1 基于AE的高光譜圖像波段的特征學(xué)習(xí)47-50
• 4.3.2 基于Softmax的波段相似性求解50-52
• 4.3.3 譜聚類選出候選波段集52-53
• 4.4 基于棧式自編碼器SAE的高光譜遙感圖像的波段選擇53-54
• 4.5 實(shí)驗(yàn)設(shè)計(jì)54-59
• 4.5.1 準(zhǔn)備實(shí)驗(yàn)54-55
• 4.5.2 分類結(jié)果分析55-57
• 4.5.3 各算法的性能隨所選波段數(shù)的增加的性能變化情況57-58
• 4.5.4 對(duì)所選擇出來(lái)的波段進(jìn)行分析58-59
• 4.6 總結(jié)59-61
• 第五章 基于多任務(wù)聯(lián)合稀疏表示的高光譜圖像分類61-71
• 5.1 引言61-62
• 5.2 稀疏表示分類62-63
• 5.2.1 稀疏表示62
• 5.2.2 聯(lián)合稀疏表示62-63
• 5.3 多任務(wù)學(xué)習(xí)63-64
• 5.4 基于權(quán)重多任務(wù)聯(lián)合稀疏表示分類方法64-65
• 5.5 基于權(quán)重多任務(wù)聯(lián)合稀疏表示高光譜遙感圖像分類方法65-69
• 5.5.1 對(duì)比實(shí)驗(yàn)66-68
• 5.5.2 分類性能隨鄰域窗大小變化的情況68-69
• 5.6 本章小結(jié)69-71
• 第六章 總結(jié)與展望71-73
• 6.1 論文總結(jié)71
• 6.2 展望71-73
• 參考文獻(xiàn)73-81
• 致謝81-83
• 作者簡(jiǎn)介83

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 諶德榮;宮久路;陳乾;曹旭平;;基于樣本分割的快速高光譜圖像異常檢測(cè)支持向量數(shù)據(jù)描述方法[J];兵工學(xué)報(bào);2008年09期

2 蒲曉豐;雷武虎;張林虎;蔣奇材;;基于Fukunaga-Koontz變換的高光譜圖像異常檢測(cè)[J];紅外技術(shù);2010年04期

3 成寶芝;郭宗光;;高光譜圖像波段間相關(guān)特性研究[J];大慶師范學(xué)院學(xué)報(bào);2013年06期

4 楊龍;易宏杰;李因彥;;遙感高光譜圖像赤潮識(shí)別[J];傳感器世界;2007年05期

5 汪倩;陶鵬;;結(jié)合空間信息的高光譜圖像快速分類方法[J];微計(jì)算機(jī)信息;2010年21期

6 王立國(guó);孫杰;肖倩;;結(jié)合空-譜信息的高光譜圖像分類方法[J];黑龍江大學(xué)自然科學(xué)學(xué)報(bào);2010年06期

7 馮朝麗;朱啟兵;朱曉;黃敏;;基于光譜特征的玉米品種高光譜圖像識(shí)別[J];江南大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年02期

8 付歡;龍海南;韓曉霞;;基于冗余字典的高光譜圖像的稀疏分解[J];河北軟件職業(yè)技術(shù)學(xué)院學(xué)報(bào);2013年04期

9 耿修瑞,張霞,陳正超,張兵,鄭蘭芬,童慶禧;一種基于空間連續(xù)性的高光譜圖像分類方法[J];紅外與毫米波學(xué)報(bào);2004年04期

10 張綺瑋;機(jī)載高光譜遙感圖像處理軟件系統(tǒng)[J];紅外;2005年02期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前10條

1 張兵;王向偉;鄭蘭芬;童慶禧;;高光譜圖像地物分類與識(shí)別研究[A];成像光譜技術(shù)與應(yīng)用研討會(huì)論文集[C];2004年

2 高連如;張兵;孫旭;李山山;張文娟;;高光譜數(shù)據(jù)降維與分類技術(shù)研究[A];第八屆成像光譜技術(shù)與應(yīng)用研討會(huì)暨交叉學(xué)科論壇文集[C];2010年

3 王成;何偉基;陳錢(qián);;基于波段重組和小波變換的高光譜圖像嵌入式壓縮方法[A];黑龍江、江蘇、山東、河南、江西 五省光學(xué)（激光）聯(lián)合學(xué)術(shù)‘13年會(huì)論文（摘要）集[C];2013年

4 孫蕾;羅建書(shū);;基于分類預(yù)測(cè)的高光譜遙感圖像無(wú)損壓縮[A];第一屆建立和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2005）論文集[C];2005年

5 楊勇;劉木華;鄒小蓮;苗蓬勃;趙珍珍;;基于高光譜圖像技術(shù)的獼猴桃硬度品質(zhì)檢測(cè)[A];走中國(guó)特色農(nóng)業(yè)機(jī)械化道路——中國(guó)農(nóng)業(yè)機(jī)械學(xué)會(huì)2008年學(xué)術(shù)年會(huì)論文集（下冊(cè)）[C];2008年

6 張曉紅;張立福;王晉年;童慶禧;;HJ-1A衛(wèi)星高光譜遙感圖像質(zhì)量綜合評(píng)價(jià)[A];第八屆成像光譜技術(shù)與應(yīng)用研討會(huì)暨交叉學(xué)科論壇文集[C];2010年

7 高東生;高連知;;基于獨(dú)立分量分析的高光譜圖像目標(biāo)盲探測(cè)方法研究[A];國(guó)家安全地球物理叢書(shū)（八）——遙感地球物理與國(guó)家安全[C];2012年

8 馮維一;陳錢(qián);何偉基;;基于小波稀疏的高光譜目標(biāo)探測(cè)算法[A];黑龍江、江蘇、山東、河南、江西 五省光學(xué)（激光）聯(lián)合學(xué)術(shù)‘13年會(huì)論文（摘要）集[C];2013年

9 彭妮娜;易維寧;方勇華;;基于核函數(shù)的高光譜圖像信息提取研究[A];光子科技創(chuàng)新與產(chǎn)業(yè)化——長(zhǎng)三角光子科技創(chuàng)新論壇暨2006年安徽博士科技論壇論文集[C];2006年

10 蒲曉豐;雷武虎;黃濤;王迪;;基于穩(wěn)健背景子空間的高光譜圖像異常檢測(cè)[A];中國(guó)光學(xué)學(xué)會(huì)2010年光學(xué)大會(huì)論文集[C];2010年

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

1 普晗曄;高光譜遙感圖像的解混理論和方法研究[D];復(fù)旦大學(xué);2014年

2 王亮亮;非線性流形結(jié)構(gòu)在高光譜圖像異常檢測(cè)中的應(yīng)用研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2014年

3 賀智;改進(jìn)的經(jīng)驗(yàn)?zāi)B(tài)分解算法及其在高光譜圖像分類中的應(yīng)用[D];哈爾濱工業(yè)大學(xué);2014年

4 魏然;基于成像機(jī)理分析的高光譜圖像信息恢復(fù)研究[D];哈爾濱工業(yè)大學(xué);2015年

5 葉珍;高光譜圖像特征提取與分類算法研究[D];西北工業(yè)大學(xué);2015年

6 馮婕;基于軟計(jì)算和互信息理論的遙感圖像地物分類[D];西安電子科技大學(xué);2014年

7 孫濤;快速多核學(xué)習(xí)分類研究及應(yīng)用[D];西安電子科技大學(xué);2015年

8 李昌國(guó);基于譜間和校正相關(guān)性的高光譜圖像壓縮方法研究及GPU并行實(shí)現(xiàn)[D];成都理工大學(xué);2015年

9 徐速;基于壓縮感知的高光譜圖像稀疏解混方法研究[D];重慶大學(xué);2015年

10 南一冰;星載推掃型高光譜運(yùn)動(dòng)成像誤差建模與高精度校正技術(shù)研究[D];北京理工大學(xué);2015年

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

1 趙偉彥;果蔬干燥過(guò)程中的品質(zhì)無(wú)損檢測(cè)技術(shù)研究[D];江南大學(xué);2015年

2 馬亞楠;果蔬中內(nèi)部害蟲(chóng)的高光譜圖像檢測(cè)技術(shù)研究[D];江南大學(xué);2015年

3 劉大洋;基于近紅外光譜和高光譜圖像技術(shù)無(wú)損識(shí)別獼猴桃膨大果[D];西北農(nóng)林科技大學(xué);2015年

4 王坤;高光譜圖像異常目標(biāo)檢測(cè)及光譜成像在偽裝評(píng)估方面的應(yīng)用研究[D];南京理工大學(xué);2015年

5 王U喺，

本文編號(hào)：977432