發(fā)布時間：2017-04-19 08:51

  本文關(guān)鍵詞：基于圖的高光譜遙感數(shù)據(jù)半監(jiān)督分類算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：高光譜遙感數(shù)據(jù)具有很高的光譜分辨率,能夠同時獲取地物的光譜特征信息和空間特征信息。高光譜遙感能夠識別多光譜遙感中難以識別的地物,用于精細分類。地物分類是高光譜遙感的一個重要應(yīng)用方向,對于更好的識別地物、理解地物分布規(guī)律具有重要作用。高光譜遙感數(shù)據(jù)具有很高的維數(shù),傳統(tǒng)的有監(jiān)督分類算法對高光譜遙感數(shù)據(jù)分類需要足夠數(shù)量的訓練點,否則易導致Hughes現(xiàn)象。高光譜圖像獲取類別標記數(shù)據(jù)是一項耗時耗力,成本高昂的工作。基于圖的半監(jiān)督分類算法能夠在訓練樣本點不足的情況下,充分挖掘大量無標簽數(shù)據(jù)信息來輔助分類,獲得較好的分類結(jié)果。 基于圖的半監(jiān)督分類算法核心工作是圖結(jié)構(gòu)設(shè)計,圖中數(shù)據(jù)點的權(quán)值矩陣反映數(shù)據(jù)的幾何特性。流形學習是一種重要的非線性降維方法,能很好的挖掘高光譜遙感數(shù)據(jù)的非線性特性。每一種流形學習算法對應(yīng)著一種圖結(jié)構(gòu),因此,流形學習算法可以進行基于圖的半監(jiān)督分類器中圖結(jié)構(gòu)的設(shè)計。數(shù)據(jù)中存在著大量不相似信息,但卻非常難獲得。傳統(tǒng)的基于圖的半監(jiān)督分類算法僅利用了數(shù)據(jù)的相似信息,對數(shù)據(jù)的不相似信息挖掘不夠。在基于圖的半監(jiān)督算法中結(jié)合數(shù)據(jù)的不相似性和相似性信息,對高光譜遙感數(shù)據(jù)分類有輔助作用。論文重點研究基于圖的半監(jiān)督分類算法對高光譜遙感數(shù)據(jù)的分類研究,主要從以下兒個方面開展研究： 1在缺少訓練樣本的情況下,K近鄰算法對高光譜遙感數(shù)據(jù)分類效果并不理想。采用半監(jiān)督的方法自動獲取部分無標簽數(shù)據(jù)的類別信息,結(jié)合加權(quán)K近鄰的方法,可以有效克服樣本點不足產(chǎn)生的問題,提高分類效果。這種方法存在一定的風險,一旦無標簽數(shù)據(jù)被錯誤分類,這種錯誤在后續(xù)的使用中將會被延續(xù)甚到擴大。通過獲取無標簽數(shù)據(jù)屬于各類別的概率作為類別信息,可以降低分類錯誤帶來的風險。我們使用了兩組高光譜遙感數(shù)據(jù)作為實驗數(shù)據(jù),實驗表明采用分類方法自動獲取樣本點標簽信息,可以有效克服高光譜遙感數(shù)據(jù)分類時樣本點不足的問題,有助于提高分類精度。 2半監(jiān)督分類算法利用少量標記數(shù)據(jù)和大量無標記數(shù)據(jù)構(gòu)建分類模型,能夠有效克服分類時樣本點不足產(chǎn)生的問題。與傳導式的基于圖的半監(jiān)督分類算法相比,拉普拉斯支持向量機通過訓練獲得分類器可以直接對新數(shù)據(jù)進行分類。然而,拉普拉斯支持向量機對高光譜遙感數(shù)據(jù)非線性特性的挖掘能力不夠,采用流形學習算法來構(gòu)造圖結(jié)構(gòu),能夠更好的描述高光譜數(shù)據(jù)幾何結(jié)構(gòu)。本文采用三組高光譜遙感數(shù)據(jù)作為實驗數(shù)據(jù),重點分析比較兩種局部流形學習算法構(gòu)圖對高光譜數(shù)據(jù)分類精度的影響,實驗證明基于流形學習構(gòu)圖的拉普拉斯支持向量機對高光譜遙感數(shù)據(jù)分類效果較傳統(tǒng)構(gòu)圖方法有顯著提高。 3除了光譜信息以外,高光譜遙感數(shù)據(jù)中還存在大量的不相似信息。然而無標簽數(shù)據(jù)的不相似性非常難獲取。傳統(tǒng)的半監(jiān)督算法中需要依靠大量先驗知識來獲取數(shù)據(jù)的不相似信息,計算復雜且人工干預量大。針對上述問題,提出一種基于不相似概率的數(shù)據(jù)不相似性度量方法,不需要依賴大量先驗知識,實現(xiàn)不相似信息的自動提取。根據(jù)數(shù)據(jù)的不相似概率選擇最不相似的“近鄰點”,構(gòu)造不相似圖。圖中不相似的點相互連接,邊權(quán)值采用熱核函數(shù)計算。通過圖拉普拉斯矩陣將光譜相似性圖與不相似圖線性組合并嵌入標簽傳遞算法框架中,用于高光譜遙感數(shù)據(jù)分類。實驗表明本文方法能夠有效挖掘和利用數(shù)據(jù)的不相似性信息,提高高光譜遙感數(shù)據(jù)的分類精度,尤其是在樣本點非常少的時候。
【關(guān)鍵詞】：高光譜遙感 半監(jiān)督分類 圖 流形學習 不相似性度量
【學位授予單位】：中國地質(zhì)大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：P237
【目錄】：

• 作者簡介6-8
• 摘要8-10
• ABSTRACT10-14
• 第一章 緒論14-20
• §1.1 選題背景及意義14-15
• §1.2 國內(nèi)外研究現(xiàn)狀與存在問題15-17
• 1.2.1 基于圖的半監(jiān)督分類算法研究現(xiàn)狀15-16
• 1.2.2 圖構(gòu)造方法研究現(xiàn)狀16
• 1.2.3 目前存在的問題16-17
• §1.3 論文主要研究內(nèi)容17-18
• §1.4 論文的組織結(jié)構(gòu)18-20
• 第二章 基于圖的半監(jiān)督分類算法20-27
• §2.1 傳導式半監(jiān)督分類算法20-24
• 2.1.1 最小分割Mincut21
• 2.1.2 高斯隨機場和調(diào)和函數(shù)GRHF21-22
• 2.1.3 局部和全局一致性LGC22-23
• 2.1.4 線性鄰域傳播算法LNP23-24
• §2.2 直推式半監(jiān)督分類算法24-26
• 2.2.1 流形正則化MR25-26
• §2.3 本章小結(jié)26-27
• 第三章 基于線性鄰域傳播的加權(quán)K近鄰算法27-36
• §3.1 加權(quán)K近鄰算法28
• §3.2 基于線性鄰域傳播的加權(quán)K近鄰算法28-30
• §3.3 高光譜數(shù)據(jù)實驗結(jié)果與分析30-34
• 3.3.1 數(shù)據(jù)描述30-32
• 3.3.2 實驗結(jié)論與分析32-34
• §3.4 本章小結(jié)34-36
• 第四章 基于流形學習進行圖結(jié)構(gòu)設(shè)計的半監(jiān)督分類算法36-52
• §4.1 幾種典型流形學習算法37-43
• 4.1.1 多維尺度化MDS37-38
• 4.1.2 等距映射算法ISOMAP38
• 4.1.3 拉普拉斯特征映射LE38-40
• 4.1.4 局部線性嵌入LLE40-41
• 4.1.5 局部切空間排列LTSA41-43
• §4.2 基于流形學習構(gòu)圖的LapSVM算法43-45
• 4.2.1 LapSVM算法原理43-44
• 4.2.2 基于流形學習算法的圖結(jié)構(gòu)設(shè)計44-45
• §4.3 基于流形學習構(gòu)圖的LapSVM算法性能比較實驗45-50
• 4.3.1 數(shù)據(jù)描述45-46
• 4.3.2 實驗結(jié)果與分析46-50
• §4.4 本章小結(jié)50-52
• 第五章 基于不相似圖和相似圖組合的標簽傳遞算法52-62
• §5.1 不相似圖構(gòu)造53-55
• 5.1.1 基于稀疏表達的不相似概率計算53-54
• 5.1.2 基于不相似概率的不相似圖構(gòu)造54-55
• §5.2 基于不相似圖和相似圖組合的標簽傳遞算法55-57
• 5.2.1 相似圖構(gòu)造55
• 5.2.2 混合圖拉普拉斯55-56
• 5.2.3 基于不相似圖和相似圖組合的標簽傳遞算法56-57
• §5.3 高光譜遙感數(shù)據(jù)實驗結(jié)果與分析57-61
• 5.3.1 數(shù)據(jù)描述57
• 5.3.2 實驗結(jié)論與結(jié)果分析57-60
• 5.3.3 算法參數(shù)敏感性分析60-61
• §5.4 本章小結(jié)61-62
• 第六章 結(jié)論與展望62-64
• §6.1 結(jié)論62-63
• §6.2 展望63-64
• 致謝64-65
• 參考文獻65-68

【參考文獻】

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 劉小蘭;基于圖和熵正則化的半監(jiān)督分類算法[D];華南理工大學;2011年

  本文關(guān)鍵詞：基于圖的高光譜遙感數(shù)據(jù)半監(jiān)督分類算法研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：315863