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 KNN算法 主動學習算法

【摘要】：高光譜遙感技術(shù)通過數(shù)十至數(shù)百個連續(xù)且細分的光譜波段對目標區(qū)域同時成像,成像的每個像元點蘊含豐富的光譜信息,為進行高精度的地物識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練樣本是高光譜圖像面臨兩大難點。本文針對以上兩個難點,進行研究,提出基于KNN非局部濾波的高光譜圖像分類方法,并通過主動學習算法指導該分類方法選取訓練樣本。本文的工作簡要概括如下：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SVM進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,對先前的分類概率圖進行濾波優(yōu)化,得到最終的分類結(jié)果。實驗證明,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)合主動學習與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,迭代地指導分類器選取最具信息的樣本進行標記,通過主動學習算法建立一組緊湊而高效的訓練樣本集,讓分類器在該訓練樣本集的訓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,利用計算機視覺開源庫OpenCV和MATLAB R2014b提供的外部鏈接庫進行聯(lián)合編程,實現(xiàn)了高光譜圖像的讀取顯示、訓練樣本的標記以及高光譜圖像的分類等功能。本文通過實驗驗證了所提方法的有效性。實驗結(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。通過主動學習,指導該分類器方法選取訓練樣本,能有效減少訓練樣本。
【關(guān)鍵詞】：高光譜圖像 地物分類 空譜分類 支持向量機 KNN算法 主動學習算法
【學位授予單位】：湖南大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：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 實驗23-30
• 2.5.1 高光譜圖像分類精度指標23-24
• 2.5.2 印度松圖像(IndiaP)分類實驗24-27
• 2.5.3 博茨瓦納草原濕地植被圖像(Botswana)分類實驗27-30
• 2.6 本章總結(jié)30-31
• 第3章 聯(lián)合主動學習與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 主動學習32-37
• 3.2.1 基于專家委員會的主動學習33-34
• 3.2.2 基于間隔的主動學習算法34-35
• 3.2.3 基于后驗概率的主動學習算法35-37
• 3.3 聯(lián)合主動學習與KNN非局部濾波的高光譜圖像分類37-38
• 3.4 實驗38-42
• 3.4.1 印度松圖像(IndiaP)實驗39-41
• 3.4.2 博茨瓦納草原濕地植被圖像(Botswana)實驗41-42
• 3.5 本章總結(jié)42-43
• 第4章 高光譜圖像分類軟件實現(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 計算機視覺開源庫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57-63
• 致謝63-64
• 附錄A 攻讀學位期間所發(fā)表的學術(shù)論文目錄64

【相似文獻】

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支持向量數(shù)據(jù)描述方法[J];兵工學報;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[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];大慶師范學院學報;2013年06期

4 楊龍;易宏杰;李因彥;;遙感高光譜圖像赤潮識別[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];微計算機信息;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];黑龍江大學自然科學學報;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別[J];江南大學學報(自然科學版);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)學院學報;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];紅外與毫米波學報;2004年04期

10 張綺瑋;機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別研究[A];成像光譜技術(shù)與應(yīng)用研討會論文集[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)用研討會暨交叉學科論壇文集[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（激光）聯(lián)合學術(shù)‘13年會論文（摘要）集[C];2013年

4 孫蕾;羅建書;;基于分類預測的高光譜遙感圖像無損壓縮[A];第一屆建立和諧人機環(huán)境聯(lián)合學術(shù)會議（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[A];走中國特色農(nóng)業(yè)機械化道路——中國農(nóng)業(yè)機械學會2008年學術(shù)年會論文集（下冊）[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)量綜合評價[A];第八屆成像光譜技術(shù)與應(yīng)用研討會暨交叉學科論壇文集[C];2010年

7 高東生;高連知;;基于獨立分量分析的高光譜圖像目標盲探測方法研究[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探測算法[A];黑龍江、江蘇、山東、河南、江西 五省光學（激光）聯(lián)合學術(shù)‘13年會論文（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[A];中國光學學會2010年光學大會論文集[C];2010年

中國博士學位論文全文數(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];復旦大學;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中的應(yīng)用研究[D];國防科學技術(shù)大學;2014年

3 賀智;改進的經(jīng)驗?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;2014年

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

6 馮婕;基于軟計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;2014年

7 孫濤;快速多核學習分類研究及應(yīng)用[D];西安電子科技大學;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并行實現(xiàn)[D];成都理工大學;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;2015年

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

中國碩士學位論文全文數(shù)據(jù)庫 前10條

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

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

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

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

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

7 程凱;無先驗信息的高光譜圖像小目標檢測算法研究[D];蘇州大學;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研究[D];寧夏大學;2015年

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

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

，

本文編號：985079