隨著傳感器和信息技術(shù)的發(fā)展進(jìn)步,高空間分辨率的高光譜圖像分類技術(shù)得到了越來(lái)越多的研究和應(yīng)用,如人臉識(shí)別檢測(cè)、圖像處理等領(lǐng)域。然而,高光譜圖像在擁有豐富信息的同時(shí),還存在著圖像信息數(shù)據(jù)量過(guò)大、相關(guān)性強(qiáng)等諸多問(wèn)題,這極大地提高了高光譜圖像信息提取和分類的效率和難度。目前傳統(tǒng)的高光譜圖像分類技術(shù)主要采用了提取圖像的光譜特征,進(jìn)而對(duì)圖像進(jìn)行分類處理,但卻完全忽略了圖像中存在的包含重要數(shù)據(jù)和信息的空間特征。近年來(lái),人們對(duì)利用提取空間特征信息來(lái)提高高光譜圖像分類性能的方法有著極大的研究興趣。本論文比較系統(tǒng)的研究了高光譜圖像的特征提取和分類方法,將圖像的光譜特征和空間特征結(jié)合起來(lái),并深入的研究了基于極端學(xué)習(xí)機(jī)分類器的高光譜圖像分類技術(shù)和算法,論文主要的內(nèi)容和重點(diǎn)如下:（1）研究了基于局部二值模式的高光譜圖像空間特征提取。該方法在空間特征提取方面有著顯著的優(yōu)勢(shì),并將提取的空間特征向量與光譜特征向量相結(jié)合,得到新的空譜聯(lián)合特征向量,以解決圖像分類過(guò)程中提取單一特征導(dǎo)致特征提取不充分、分類效果不理想的問(wèn)題。（2）提出了基于空譜特征的核極端學(xué)習(xí)機(jī)高光譜圖像分類算法,使用核極端學(xué)習(xí)機(jī)分類器,代替?zhèn)鹘y(tǒng)的極端學(xué)習(xí)... 

【文章來(lái)源】：遼寧師范大學(xué)遼寧省

【文章頁(yè)數(shù)】：28 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

LBP算法示例[44].（a）中心像素tc及其8個(gè)半徑r=1的70}{iit圓形鄰域；（b）3×3樣本示例；（c）8個(gè)鄰域的二進(jìn)制標(biāo)簽.

基于魯棒性極端學(xué)習(xí)機(jī)的高光譜特征與圖像分類研究8圖2LBP特征提取的實(shí)現(xiàn)[45]要注意的是，在本文中，我們使用的是原始LBP的擴(kuò)展，稱為均勻模式。均勻模式可以有效地減少特征向量并實(shí)現(xiàn)簡(jiǎn)單的旋轉(zhuǎn)不變算子。如果二進(jìn)制模式中最多包含兩個(gè)0-1或1-0轉(zhuǎn)換，則LBP被稱為均勻的。在求解每個(gè)波段的LBP直方圖時(shí)，將所有非均勻的圖案都分配到一個(gè)單格點(diǎn)上。然后，一個(gè)波段的特征向量就可以從256個(gè)減少到59個(gè)。2.2空譜特征結(jié)合理論光譜特征包含了用于區(qū)分不同類型的地面類別的重要信息，空間特征則在減少類內(nèi)方差的同時(shí)可以改善分類性能。因此，光譜和空間特征向量的組合，為實(shí)現(xiàn)高光譜圖像的分類提供了更可靠的結(jié)果。本文中，通過(guò)使用矢量堆疊方法，來(lái)解決光譜和空間特征向量的集成，如圖3所示。具體地是，對(duì)于每個(gè)像素，將其空間特征向量添加到光譜特征向量的末尾，即可得到新的空譜特征向量。然后，將這些新的空譜特征向量引入到分類器中進(jìn)行分類。詳細(xì)的分類模型將在以下小節(jié)中描述。圖3光譜特征和空間特征提取及矢量堆疊方法流程圖[45]

基于魯棒性極端學(xué)習(xí)機(jī)的高光譜特征與圖像分類研究8圖2LBP特征提取的實(shí)現(xiàn)[45]要注意的是，在本文中，我們使用的是原始LBP的擴(kuò)展，稱為均勻模式。均勻模式可以有效地減少特征向量并實(shí)現(xiàn)簡(jiǎn)單的旋轉(zhuǎn)不變算子。如果二進(jìn)制模式中最多包含兩個(gè)0-1或1-0轉(zhuǎn)換，則LBP被稱為均勻的。在求解每個(gè)波段的LBP直方圖時(shí)，將所有非均勻的圖案都分配到一個(gè)單格點(diǎn)上。然后，一個(gè)波段的特征向量就可以從256個(gè)減少到59個(gè)。2.2空譜特征結(jié)合理論光譜特征包含了用于區(qū)分不同類型的地面類別的重要信息，空間特征則在減少類內(nèi)方差的同時(shí)可以改善分類性能。因此，光譜和空間特征向量的組合，為實(shí)現(xiàn)高光譜圖像的分類提供了更可靠的結(jié)果。本文中，通過(guò)使用矢量堆疊方法，來(lái)解決光譜和空間特征向量的集成，如圖3所示。具體地是，對(duì)于每個(gè)像素，將其空間特征向量添加到光譜特征向量的末尾，即可得到新的空譜特征向量。然后，將這些新的空譜特征向量引入到分類器中進(jìn)行分類。詳細(xì)的分類模型將在以下小節(jié)中描述。圖3光譜特征和空間特征提取及矢量堆疊方法流程圖[45]

【參考文獻(xiàn)】：
期刊論文
[1]基于空譜聯(lián)合協(xié)同表征的高光譜圖像分類算法[J]. 劉穎,劉蕊,李大湘,楊凡超.  計(jì)算機(jī)工程與設(shè)計(jì). 2020(03)
[2]結(jié)合最大似然算法和波利亞罐模型的全色遙感圖像分類[J]. 李杰,李玉,王玉,趙泉華.  測(cè)繪通報(bào). 2018(04)
[3]基于聚類和最佳指數(shù)的快速高光譜波段選擇方法[J]. 郭彤,華文深,劉恂,劉曉光.  光學(xué)技術(shù). 2016(06)
[4]高光譜遙感圖像空譜聯(lián)合分類方法研究[J]. 李鐵,孫勁光,張新君,王星.  儀器儀表學(xué)報(bào). 2016(06)
[5]融合光譜-空間信息的高光譜遙感影像增量分類算法[J]. 王俊淑,江南,張國(guó)明,李楊,呂恒.  測(cè)繪學(xué)報(bào). 2015(09)
[6]K-means和ISODATA聚類算法的比較研究[J]. 陳平生.  江西理工大學(xué)學(xué)報(bào). 2012(01)
[7]ISODATA算法的實(shí)現(xiàn)與分析[J]. 楊小明,羅云.  采礦技術(shù). 2006(02)

博士論文
[1]基于空譜特征挖掘的高光譜圖像分類方法研究[D]. 劉務(wù).哈爾濱工程大學(xué) 2018
[2]基于高斯過(guò)程的高光譜圖像分類研究[D]. 姚伏天.浙江大學(xué) 2011

碩士論文
[1]融合空-譜信息的高光譜圖像分類方法研究[D]. 商卉.哈爾濱工程大學(xué) 2019
[2]高光譜圖像的特征提取與分類識(shí)別方法研究[D]. 吉春蕊.西安電子科技大學(xué) 2018



本文編號(hào)：2955690