發(fā)布時間：2020-06-30 19:33

【摘要】：高光譜遙感技術(shù)的出現(xiàn)為傳統(tǒng)遙感技術(shù)帶來了新的機遇與挑戰(zhàn)。高光譜遙感影像維數(shù)高,數(shù)據(jù)量大,可獲取的標記樣本數(shù)量有限,傳統(tǒng)的遙感影像處理方法對其失去了效用。針對高光譜遙感影像分類中標記樣本不足的問題,引入了機器學習中的主動學習方法。主動學習通過主動對未標記的樣本進行選擇并進行標記擴大原有的標記樣本集,并使用擴大的樣本集更新分類器,這個過程反復(fù)迭代直到滿足迭代停止條件或者未標記樣本集為空,因此使得分類器在標記樣本數(shù)量不足地情況下提高分類精度。本文將主動學習的思想結(jié)合支持向量機方法引入高光譜遙感影像的分類中。在現(xiàn)有主動學習分類模型的基礎(chǔ)上,通過系統(tǒng)的研究主動學習方法和高光譜遙感影像的特點,針對利用主動學習方法進行高光譜遙感影像分類中的兩個問題,即分類精度和采樣代價,分別提出適合高光譜遙感影像分類的模型,并對結(jié)合后的模型進行了分類性能分析。論文的主要內(nèi)容及結(jié)論如下:(1)鑒于傳統(tǒng)的高光譜遙感影像分類方法中采樣過程中樣本的選擇標準比較單一,造成容易錯失信息含量豐富的樣本的現(xiàn)象,提出了使用多樣性采樣準則對樣本信息進行衡量。在多樣性準則基礎(chǔ)上再使用最小期望誤差準則來挑選期望誤差較小的樣本,最大限度地提高分類結(jié)果的精度。通過高光譜遙感影像對所提出的算法進行實驗,其結(jié)果表明該主動學習采樣方法進行高光譜影像分類能有效的提高分類結(jié)果的精度,且能在樣本較少的情況下達到穩(wěn)定分類的效果。(2)鑒于高光譜影像數(shù)據(jù)量大,未標記樣本量較多,使用傳統(tǒng)的主動學習進行分類時,會出現(xiàn)采樣代價過大的現(xiàn)象,提出了基于角度LSH的采樣方法對高光譜影像進行分類。使用角度代替距離對樣本類別進行衡量,并且將計算后的角度映射到對角度敏感的Hash堆棧中,以最大限度的減少學習過程中的采樣代價。通過高光譜影像分類實驗,其結(jié)果表明該采樣方法能有效的減少采樣過程的采樣代價,能應(yīng)用于數(shù)據(jù)量較大的高光譜遙感影像分類中。
【學位授予單位】：成都理工大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：P237
【圖文】：

圖 2-1 高光譜影像數(shù)據(jù)示意圖（楊國鵬，2010）與傳統(tǒng)的全色、多光譜影像相比，高光譜影像獨有的特性為：（1） 高光譜影像擁有更高的光譜分辨率，波長范圍從可見光延伸到短波紅外、中紅外和熱紅外，波段數(shù)量較多，能夠獲取近似連續(xù)的地物光譜特征曲線。（2） 高光譜影像中包含更為豐富的地物信息，分辨和識別地物類別的能力得到了較大的提升，減少了多光譜中常出現(xiàn)的“同物異譜”和“同譜異物”現(xiàn)象，對實現(xiàn)遙感影像的定量或者半定量分析提供了可能。（3） 高光譜影像數(shù)據(jù)量巨大，波段相關(guān)性強，信息冗余現(xiàn)象明顯，因此使得高光譜影像分析更加復(fù)雜，在必要時，需要對影像進行特征降維。2.2.2 數(shù)據(jù)模型根據(jù)目前對高光譜遙感影像的研究，將其主要的數(shù)據(jù)模型總結(jié)為以下 3 種，圖 2-2 所示：

成都理工大學碩士學位論文為“維數(shù)災(zāi)難”。綜合“維數(shù)災(zāi)難”產(chǎn)生的原因，我們可以知道其根源在于標記樣本的數(shù)量，為緩解高光譜影像中的 Hughes 現(xiàn)象，研究者們提出以下幾種方法：（1更簡單的分類模型，減少分類模型中的參數(shù)量，提升分類效率；（2）將監(jiān)和半監(jiān)督學習方法相結(jié)合，可以緩解 Hughes 現(xiàn)象；（3）針對個別分類問題降維的方法緩解 Hughes 現(xiàn)象；（4）統(tǒng)計學習中的支持向量機模型能夠很理高維、小樣本問題，因此常被用來處理 Hughes 問題。

【相似文獻】

相關(guān)期刊論文 前10條

1 范冬娟;張韶華;;高光譜影像反射率反演方法的研究[J];海洋測繪;2006年03期

2 甘甫平;王潤生;;高光譜遙感技術(shù)在地質(zhì)領(lǐng)域中的應(yīng)用[J];國土資源遙感;2007年04期

3 楊燕杰;趙英俊;秦凱;陸冬華;;高光譜影像預(yù)處理技術(shù)[J];科技導(dǎo)報;2013年09期

4 楊可明;張濤;王立博;錢小麗;王林偉;劉士文;;諧波分析法高光譜影像融合及其光譜信息保真度評價[J];光譜學與光譜分析;2013年09期

5 楊哲海,馮猛,張燕燕;高光譜影像處理方法的改進[J];海洋測繪;2004年04期

6 李新雙;張良培;李平湘;吳波;;基于小波分量特征值匹配的高光譜影像分類[J];武漢大學學報(信息科學版);2006年03期

7 原傳綱;張廣有;吳迪;楊哲海;;面向應(yīng)用的高光譜影像分類方法[J];測繪科學技術(shù)學報;2007年02期

8 楊可明;陳云浩;郭達志;蔣金豹;;基于高光譜影像的小麥條銹病光譜信息探測與提取(英文)[J];光子學報;2008年01期

9 蘇俊英;舒寧;;一種基于非線性增益小波濾波的高光譜影像去噪技術(shù)研究[J];遙感技術(shù)與應(yīng)用;2008年04期

10 馬莉;范文濤;;高光譜影像加權(quán)波段指數(shù)波段選擇算法[J];黑龍江科技信息;2010年04期

相關(guān)會議論文 前10條

1 舒寧;胡穎;;基于地物光譜特征的高光譜影像邊緣提取方法[A];地理空間信息技術(shù)與應(yīng)用——中國科協(xié)2002年學術(shù)年會測繪論文集[C];2002年

2 舒寧;;多光譜和高光譜影像紋理分析的幾種方法[A];第十五屆全國遙感技術(shù)學術(shù)交流會論文摘要集[C];2005年

3 于美嬌;董廣軍;張永生;紀松;楊靖宇;;一種基于極大后驗估計的高光譜影像分辨率增強方法[A];圖像圖形技術(shù)與應(yīng)用進展——第三屆圖像圖形技術(shù)與應(yīng)用學術(shù)會議論文集[C];2008年

4 董廣軍;紀松;朱朝杰;;基于局部線性嵌入流形學習的高光譜影像分類技術(shù)[A];第六屆全國信息獲取與處理學術(shù)會議論文集（3）[C];2008年

5 汪瑋;周可法;王金林;周曙光;劉慧;;環(huán)境減災(zāi)衛(wèi)星高光譜數(shù)據(jù)預(yù)處理[A];第十二屆全國數(shù)學地質(zhì)與地學信息學術(shù)研討會論文集[C];2013年

6 黃遠程;張良培;李平湘;;基于最小單形體體積約束的高光譜影像端元光譜提取[A];遙感定量反演算法研討會摘要集[C];2010年

7 劉慶杰;藺啟忠;王黎明;王欽軍;李慶亭;苗峰顯;;基于CFFT最優(yōu)信噪比的星載高光譜影像噪聲抑制研究[A];第十七屆中國遙感大會摘要集[C];2010年

8 張杰林;;砂巖型鈾礦床高光譜數(shù)據(jù)挖掘技術(shù)研究[A];第十五屆全國遙感技術(shù)學術(shù)交流會論文摘要集[C];2005年

9 董彥芳;龐勇;;高光譜影像與LiDAR數(shù)據(jù)融合提取城市目標提取[A];中國地震學會空間對地觀測專業(yè)委員會2013年學術(shù)研討會論文摘要集[C];2013年

10 李飛;周成虎;陳榮國;;基于光譜曲線形態(tài)的高光譜影像檢索方法研究[A];第二屆中國科學院博士后學術(shù)年會暨高新技術(shù)前沿與發(fā)展學術(shù)會議程序冊[C];2010年

相關(guān)博士學位論文 前8條

1 劉軻;冬小麥葉面積指數(shù)高光譜遙感反演方法研究[D];中國農(nóng)業(yè)科學院;2015年

2 楊國鵬;基于機器學習方法的高光譜影像分類研究[D];解放軍信息工程大學;2010年

3 路威;面向目標探測的高光譜影像特征提取與分類技術(shù)研究[D];中國人民解放軍信息工程大學;2005年

4 楊哲海;高光譜影像分類若干關(guān)鍵技術(shù)的研究[D];解放軍信息工程大學;2006年

5 王凱;基于多特征融合的高光譜影像地物精細分析方法研究[D];武漢大學;2013年

6 杜輝強;高光譜遙感影像濾波和邊緣提取方法研究[D];武漢大學;2004年

7 韋瑋;基于多角度高光譜CHRIS數(shù)據(jù)的濕地信息提取技術(shù)研究[D];中國林業(yè)科學研究院;2011年

8 龔鑓;基于HDA和MRF的高光譜影像同質(zhì)區(qū)分析[D];武漢大學;2007年

相關(guān)碩士學位論文 前10條

1 司海青;含水量對土壤有機質(zhì)含量高光譜估算的影響研究[D];中國農(nóng)業(yè)科學院;2015年

2 汪重午;基于高光譜線性混合模型的地質(zhì)勘查研究[D];成都理工大學;2015年

3 原娟;面向高光譜地物的在軌替代光譜定標影響因子分析[D];浙江農(nóng)林大學;2015年

4 魏祥坡;高光譜影像土質(zhì)要素和人工地物分類技術(shù)研究[D];解放軍信息工程大學;2015年

5 康苒;松嫩平原典型土壤有機質(zhì)高光譜預(yù)測模型研究[D];東北農(nóng)業(yè)大學;2016年

6 張穎;基于主動學習的高光譜影像分類[D];成都理工大學;2016年

7 董連鳳;高光譜影像預(yù)處理技術(shù)研究[D];長安大學;2007年

8 祝鵬飛;面向?qū)ο蟮母吖庾V影像地物分類技術(shù)研究[D];解放軍信息工程大學;2011年

9 楊國鵬;基于核方法的高光譜影像分類與特征提取[D];解放軍信息工程大學;2007年

10 楊明;面向分類的高光譜影像特征提取技術(shù)研究[D];解放軍信息工程大學;2012年

本文編號：2735735