本文關(guān)鍵詞：基于主動(dòng)學(xué)習(xí)的高光譜遙感圖像異常檢測(cè)

  更多相關(guān)文章： 高光譜圖像 異常檢測(cè) 主動(dòng)學(xué)習(xí) 支持向量數(shù)據(jù)描述

【摘要】：高光譜遙感是一種新型的遙感技術(shù),興起于上世紀(jì)80年代,由于它能夠提供地物更為詳細(xì)的信息,使得傳統(tǒng)多光譜遙感探測(cè)不到的信息能夠被探測(cè)到。高光譜遙感目標(biāo)探測(cè)分為目標(biāo)檢測(cè)和異常檢測(cè)兩種,與目標(biāo)檢測(cè)相比,異常檢測(cè)算法能在無(wú)先驗(yàn)信息的情況下將與周圍背景環(huán)境存在顯著光譜差異的異常目標(biāo)檢測(cè)出來(lái),具有較強(qiáng)實(shí)用性,因此成為一大研究熱點(diǎn)。 論文提出了基于主動(dòng)學(xué)習(xí)的支持向量數(shù)據(jù)描述(Support Vector Data Description, SVDD)異常檢測(cè)算法,針對(duì)傳統(tǒng)SVDD算法在背景建模時(shí)樣本選擇的隨機(jī)性使得算法計(jì)算量大的問(wèn)題,引進(jìn)機(jī)器學(xué)習(xí)中的主動(dòng)學(xué)習(xí)思想,優(yōu)化訓(xùn)練樣本選擇,主動(dòng)選取那些對(duì)于異常檢測(cè)算法的構(gòu)建有用的樣本。用仿真數(shù)據(jù)對(duì)本文的算法和傳統(tǒng)SVDD異常檢測(cè)算法進(jìn)行實(shí)驗(yàn),結(jié)果證明本文提出的算法能夠大大降低異常檢測(cè)所需時(shí)間。 論文提出了結(jié)合鄰域聚類分割的主動(dòng)學(xué)習(xí)SVDD異常檢測(cè)算法,進(jìn)一步研究了主動(dòng)學(xué)習(xí)降低異常檢測(cè)算法復(fù)雜度的作用。在進(jìn)行檢測(cè)前先對(duì)遙感圖像進(jìn)行鄰域聚類分割能夠得到潛在異常像元,再利用SVDD算法對(duì)潛在異常像元進(jìn)行檢測(cè),這樣能夠降低算法復(fù)雜度。此外,將主動(dòng)學(xué)習(xí)引進(jìn)結(jié)合鄰域聚類分割的SVDD算法,仿真實(shí)驗(yàn)和真實(shí)航空可見(jiàn)光近紅外成像儀(Airborne Visible Infrared Imaging Spectrometer, AVIRIS)數(shù)據(jù)進(jìn)行的實(shí)驗(yàn)證明,與結(jié)合鄰域聚類分割的SVDD算法相比,結(jié)合鄰域聚類分割的主動(dòng)學(xué)習(xí)SVDD算法能使算法的計(jì)算復(fù)雜度大大降低。
【關(guān)鍵詞】：高光譜圖像 異常檢測(cè) 主動(dòng)學(xué)習(xí) 支持向量數(shù)據(jù)描述
【學(xué)位授予單位】：首都師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TP751;P237
【目錄】：

• 摘要4-5
• Abstract5-8
• 圖目錄8-9
• 表目錄9-10
• 第一章 緒論10-18
• 1.1 研究背景及意義10-12
• 1.2 高光譜遙感圖像異常檢測(cè)研究現(xiàn)狀12-15
• 1.3 主動(dòng)學(xué)習(xí)研究現(xiàn)狀15-16
• 1.4 主要研究?jī)?nèi)容16-18
• 第二章 高光譜圖像異常檢測(cè)基本理論18-25
• 2.1 高光譜遙感圖像數(shù)據(jù)的描述方式18-22
• 2.2 高光譜圖像數(shù)據(jù)特性22
• 2.3 高光譜圖像異常檢測(cè)理論知識(shí)22-24
• 2.3.1 異常檢測(cè)的概念23-24
• 2.3.2 異常檢測(cè)算法性能的判定方法24
• 2.4 本章小結(jié)24-25
• 第三章 基于主動(dòng)學(xué)習(xí)的SVDD異常檢測(cè)25-40
• 3.1 SVDD異常檢測(cè)算法25-32
• 3.1.1 核參數(shù)σ估算方法26-29
• 3.1.2 尋找最優(yōu)超球29-30
• 3.1.3 引入松弛變量30
• 3.1.4 解決優(yōu)化問(wèn)題30-32
• 3.2 主動(dòng)學(xué)習(xí)算法思想32-34
• 3.2.1 主動(dòng)學(xué)習(xí)的樣本選擇策略33-34
• 3.3 基于主動(dòng)學(xué)習(xí)的SVDD異常檢測(cè)算法34-35
• 3.4 仿真實(shí)驗(yàn)及結(jié)果分析35-38
• 3.4.1 仿真數(shù)據(jù)生成35-36
• 3.4.2 仿真數(shù)據(jù)實(shí)驗(yàn)結(jié)果分析36-38
• 3.5 本章小結(jié)38-40
• 第四章 結(jié)合鄰域聚類分割的主動(dòng)學(xué)習(xí)SVDD異常檢測(cè)40-46
• 4.1 鄰域聚類分割40-41
• 4.2 結(jié)合鄰域聚類分割的主動(dòng)學(xué)習(xí)SVDD異常檢測(cè)算法41-42
• 4.3 實(shí)驗(yàn)及結(jié)果分析42-44
• 4.3.1 仿真數(shù)據(jù)實(shí)驗(yàn)結(jié)果及分析42-43
• 4.3.2 AVIRIS數(shù)據(jù)實(shí)驗(yàn)及結(jié)果分析43-44
• 4.4 本章小結(jié)44-46
• 第五章 結(jié)束語(yǔ)46-48
• 5.1 總結(jié)46
• 5.2 創(chuàng)新點(diǎn)46-47
• 5.3 展望47-48
• 參考文獻(xiàn)48-53
• 致謝53

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 路威;余旭初;劉娟;楊國(guó)鵬;;基于分布異常的高光譜遙感影像小目標(biāo)檢測(cè)算法[J];測(cè)繪學(xué)報(bào);2006年01期

2 郭洪周,房曉鐘,張宗貴,甘甫平;澳大利亞機(jī)載成像光譜儀及其應(yīng)用[J];地質(zhì)裝備;2005年02期

3 毛耀保;;寧夏汝箕溝煤田火區(qū)高光譜定量遙感探測(cè)研究[J];國(guó)土資源遙感;2010年03期

4 尋麗娜;方勇華;李新;;高光譜圖像中基于端元提取的小目標(biāo)檢測(cè)算法[J];光學(xué)學(xué)報(bào);2007年07期

5 成寶芝;趙春暉;王玉磊;;基于四階累積量的波段子集高光譜圖像異常檢測(cè)[J];光電子.激光;2012年08期

6 杜博;陳勇;史瑞芝;;一種基于高斯馬爾可夫隨機(jī)場(chǎng)的異常目標(biāo)探測(cè)方法[J];測(cè)繪科學(xué);2010年06期

7 宮秀軍,孫建平,史忠植;主動(dòng)貝葉斯網(wǎng)絡(luò)分類器[J];計(jì)算機(jī)研究與發(fā)展;2002年05期

8 徐海龍;王曉丹;廖勇;權(quán)文;;一種基于主動(dòng)學(xué)習(xí)的SVM增量訓(xùn)練算法[J];控制與決策;2010年02期

9 諶德榮;張立燕;陶鵬;曹旭平;;結(jié)合鄰域聚類分割的高光譜圖像異常檢測(cè)支持向量數(shù)據(jù)描述方法[J];宇航學(xué)報(bào);2007年03期

10 張立燕;諶德榮;陶鵬;;基于頂點(diǎn)成分分析的高光譜圖像低概率異常檢測(cè)方法研究[J];宇航學(xué)報(bào);2007年05期

，

本文編號(hào)：895129