發(fā)布時(shí)間：2017-10-06 21:22

  本文關(guān)鍵詞：基于KNN非局部濾波的高光譜圖像分類方法研究

  更多相關(guān)文章： 高光譜圖像 地物分類 空譜分類 支持向量機(jī) KNN算法 主動(dòng)學(xué)習(xí)算法

【摘要】：高光譜遙感技術(shù)通過數(shù)十至數(shù)百個(gè)連續(xù)且細(xì)分的光譜波段對(duì)目標(biāo)區(qū)域同時(shí)成像,成像的每個(gè)像元點(diǎn)蘊(yùn)含豐富的光譜信息,為進(jìn)行高精度的地物識(shí)別和分類提供可能性,因此,高光譜圖像分類成為高光譜遙感核心技術(shù)之一。然而,如何利用高光譜圖像的空間信息和如何選取訓(xùn)練樣本是高光譜圖像面臨兩大難點(diǎn)。本文針對(duì)以上兩個(gè)難點(diǎn),進(jìn)行研究,提出基于KNN非局部濾波的高光譜圖像分類方法,并通過主動(dòng)學(xué)習(xí)算法指導(dǎo)該分類方法選取訓(xùn)練樣本。本文的工作簡(jiǎn)要概括如下：1.基于KNN非局部濾波的高光譜圖像分類方法：該方法先根據(jù)高光譜圖像的光譜信息,通過支持向量機(jī)SVM進(jìn)行分類得到分類概率圖,接著利用基于KNN的非局部濾波提取高光譜圖像的空間信息,對(duì)先前的分類概率圖進(jìn)行濾波優(yōu)化,得到最終的分類結(jié)果。實(shí)驗(yàn)證明,基于KNN的非局部濾波能有效地利用高光譜圖像的空間信息提高分類精度。2.聯(lián)合主動(dòng)學(xué)習(xí)與KNN非局部濾波的高光譜圖像分類方法：由基于KNN非局部濾波高光譜圖像分類方法得到的優(yōu)化概率圖,迭代地指導(dǎo)分類器選取最具信息的樣本進(jìn)行標(biāo)記,通過主動(dòng)學(xué)習(xí)算法建立一組緊湊而高效的訓(xùn)練樣本集,讓分類器在該訓(xùn)練樣本集的訓(xùn)練下取得高精度的分類結(jié)果。3.高光譜圖像分類軟件：基于MFC應(yīng)用程序框架,利用計(jì)算機(jī)視覺開源庫OpenCV和MATLAB R2014b提供的外部鏈接庫進(jìn)行聯(lián)合編程,實(shí)現(xiàn)了高光譜圖像的讀取顯示、訓(xùn)練樣本的標(biāo)記以及高光譜圖像的分類等功能。本文通過實(shí)驗(yàn)驗(yàn)證了所提方法的有效性。實(shí)驗(yàn)結(jié)果顯示：基于KNN非局部濾波的高光譜圖像分類方法能夠取得高精度的分類結(jié)果。通過主動(dòng)學(xué)習(xí),指導(dǎo)該分類器方法選取訓(xùn)練樣本,能有效減少訓(xùn)練樣本。
【關(guān)鍵詞】：高光譜圖像 地物分類 空譜分類 支持向量機(jī) KNN算法 主動(dòng)學(xué)習(xí)算法
【學(xué)位授予單位】：湖南大學(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1章 緒論10-17
• 1.1 研究背景及意義10-11
• 1.2 高光譜遙感技術(shù)的發(fā)展現(xiàn)狀11-12
• 1.3 高光譜圖像分類技術(shù)研究現(xiàn)狀12-15
• 1.3.1 高光譜圖像監(jiān)督分類方法13-14
• 1.3.2 高光譜圖像無監(jiān)督分類方法14
• 1.3.3 高光譜圖像半監(jiān)督分類方法14-15
• 1.4 論文目標(biāo)及結(jié)構(gòu)安排15-17
• 第2章 基于KNN非局部濾波的高光譜圖像分類方法17-31
• 2.1 引言17-18
• 2.2 SVM分類器18-20
• 2.2.1 線性SVM分類器18-19
• 2.2.2 非線性SVM分類器19-20
• 2.2.3 SVM在高光譜圖像分類的運(yùn)用20
• 2.3 KNN算法20-22
• 2.3.1 KNN算法原理20-21
• 2.3.2 基于KNN非局部濾波器21-22
• 2.4 基于KNN非局部濾波的高光譜圖像分類22-23
• 2.5 實(shí)驗(yàn)23-30
• 2.5.1 高光譜圖像分類精度指標(biāo)23-24
• 2.5.2 印度松圖像(IndiaP)分類實(shí)驗(yàn)24-27
• 2.5.3 博茨瓦納草原濕地植被圖像(Botswana)分類實(shí)驗(yàn)27-30
• 2.6 本章總結(jié)30-31
• 第3章 聯(lián)合主動(dòng)學(xué)習(xí)與KNN非局部濾波的高光譜圖像分類方法31-43
• 3.1 引言31-32
• 3.2 主動(dòng)學(xué)習(xí)32-37
• 3.2.1 基于專家委員會(huì)的主動(dòng)學(xué)習(xí)33-34
• 3.2.2 基于間隔的主動(dòng)學(xué)習(xí)算法34-35
• 3.2.3 基于后驗(yàn)概率的主動(dòng)學(xué)習(xí)算法35-37
• 3.3 聯(lián)合主動(dòng)學(xué)習(xí)與KNN非局部濾波的高光譜圖像分類37-38
• 3.4 實(shí)驗(yàn)38-42
• 3.4.1 印度松圖像(IndiaP)實(shí)驗(yàn)39-41
• 3.4.2 博茨瓦納草原濕地植被圖像(Botswana)實(shí)驗(yàn)41-42
• 3.5 本章總結(jié)42-43
• 第4章 高光譜圖像分類軟件實(shí)現(xiàn)43-55
• 4.1 開發(fā)工具介紹43-44
• 4.1.1 VS2010與MFC基本類庫43
• 4.1.2 計(jì)算機(jī)視覺開源庫OpenCV43-44
• 4.2 軟件結(jié)構(gòu)44-45
• 4.3 軟件界面設(shè)計(jì)45-46
• 4.4 軟件開發(fā)關(guān)鍵技術(shù)46-48
• 4.4.1 基于MFC的界面46-47
• 4.4.2 高光譜圖像分類方法的開發(fā)47-48
• 4.4.3 高光譜圖像的基本操作48
• 4.5 軟件的操作48-54
• 4.5.1 高光譜圖像的讀取和顯示49-51
• 4.5.2 高光譜圖像訓(xùn)練樣本的選取51-52
• 4.5.3 高光譜圖像分類方法的選取和參數(shù)設(shè)置52-53
• 4.5.4 高光譜圖像分類結(jié)果53-54
• 4.6 本章總結(jié)54-55
• 總結(jié)與展望55-57
• 參考文獻(xiàn)57-63
• 致謝63-64
• 附錄A 攻讀學(xué)位期間所發(fā)表的學(xué)術(shù)論文目錄64

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 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;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

中國重要會(huì)議論文全文數(shù)據(jù)庫 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;;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;;基于分類預(yù)測(cè)的高光譜遙感圖像無損壓縮[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];走中國特色農(nóng)業(yè)機(jī)械化道路——中國農(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];國家安全地球物理叢書（八）——遙感地球物理與國家安全[C];2012年

8 馮維一;陳錢;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];中國光學(xué)學(xué)會(huì)2010年光學(xué)大會(huì)論文集[C];2010年

中國博士學(xué)位論文全文數(shù)據(jù)庫 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;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

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 豐爍;高光譜圖像波段選取問題的改進(jìn)算法研究[D];昆明理工大學(xué);2015年

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

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

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

5 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

6 王啟聰;高光譜圖像分類的GPU并行優(yōu)化研究[D];南京理工大學(xué);2015年

7 程凱;無先驗(yàn)信息的高光譜圖像小目標(biāo)檢測(cè)算法研究[D];蘇州大學(xué);2015年

8 李秩期;基于高光譜及多信息融合的馬鈴薯外部缺陷無損檢測(cè)研究[D];寧夏大學(xué);2015年

9 王健;基于高光譜圖像的馬鈴薯形狀及重量分類識(shí)別建模研究[D];寧夏大學(xué);2015年

10 吳蓓芬;偏振高光譜圖像場(chǎng)景仿真及分類方法研究[D];哈爾濱工業(yè)大學(xué);2015年

，

本文編號(hào)：985079