發(fā)布時(shí)間：2021-02-22 20:16

　　隨著高光譜成像技術(shù)的不斷成熟,其應(yīng)用領(lǐng)域越加廣泛,提高對(duì)高光譜數(shù)據(jù)的處理能力和分類(lèi)性能是社會(huì)發(fā)展的必然趨勢(shì),對(duì)國(guó)家安全維護(hù)、資源合理利用、環(huán)境監(jiān)測(cè)和城市規(guī)劃管理都具有重大意義。分類(lèi)是高光譜圖像（HSIs）應(yīng)用的關(guān)鍵步驟,由于HSIs有大量的光譜帶,且只有少量訓(xùn)練樣本,導(dǎo)致HSIs分類(lèi)成為一項(xiàng)具有挑戰(zhàn)性的任務(wù)。然而HSIs數(shù)據(jù)光譜波段之間通常是相關(guān)的,所以在分類(lèi)之前,一般先對(duì)HSIs數(shù)據(jù)進(jìn)行降維。本文主要圍繞對(duì)高光譜圖像的降維和分類(lèi)這兩個(gè)問(wèn)題展開(kāi)研究。在高光譜圖像降維方面,提出了一種新的基于加權(quán)空譜均值濾波的全局局部判別降維算法（WW）,該算法充分利用了HSIs數(shù)據(jù)的光譜信息和空間特征,以及全局和局部結(jié)構(gòu)特征。首先為了加強(qiáng)相鄰像素的相關(guān)性,利用空間特征對(duì)像素光譜進(jìn)行加權(quán)空譜均值濾波（WSSMF）,然后為了構(gòu)建全局局部判別矩陣,我們提出了加權(quán)空譜局部鄰域保持（WSSLNP）矩陣,并將其作為局部回歸算子嵌入到正則化線性判別分析（RLDA）模型中形成一個(gè)強(qiáng)大的降維算法。在高光譜圖像分類(lèi)方面,提出了空譜協(xié)同分類(lèi)算法（SC-NN）,以充分利用HSIs數(shù)據(jù)的光譜信息和空間連續(xù)特性,該算法首先使用最近... 

【文章來(lái)源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

(a)IndianPinesdataset的偽彩色圖像(R:50,G:30,B:20)；(b)類(lèi)別標(biāo)簽圖

圖 2-3 (a) Pavia University 數(shù)據(jù)的偽彩色圖像 (R: 60, G: 30, B: 2)；(b) 類(lèi)別標(biāo)簽圖Salinas圖像是 1998年由AVIRIS傳感器拍攝于加利福尼亞西部的 Salinas山谷,其特點(diǎn)是高空間分辨率（3.7米）。該圖像大小為217x512像素，和IndianPines圖像一樣，共包含224個(gè)波段，去除包含吸水區(qū)域和噪聲的20個(gè)波段，一般使用剩余204個(gè)光譜波段所成圖像進(jìn)行實(shí)驗(yàn),包括蔬菜，裸露的土壤和葡萄園等16個(gè)類(lèi)別的地物。圖2-4為Salinas數(shù)據(jù)的偽彩色圖像及相應(yīng)的類(lèi)別標(biāo)簽圖。

一般使用剩余204個(gè)光譜波段所成圖像進(jìn)行實(shí)驗(yàn),包括蔬菜，裸露的土壤和葡萄園等16個(gè)類(lèi)別的地物。圖2-4為Salinas數(shù)據(jù)的偽彩色圖像及相應(yīng)的類(lèi)別標(biāo)簽圖。(a) (b)Brocoli_green_weeds_1 C1 Vinyard_untrained C2 Fallow C3 Lettuce_romaine_4wk C4Brocoli_green_weeds_2 C5 Fallow_rough_plow C6 Celery C7 Lettuce_romaine_5wk C8Soil_vinyard_develop C9 Corn_senesced_green_weeds C10 Stubble C11 Lettuce_romaine_6wk C12Grapes_untrained C13 Vinyard_vertical_trellis C14 Fallow_smooth C15 Lettuce_romaine_7wk C16圖 2-4 (a) Salinas 數(shù)據(jù)的偽彩色圖像 (R: 52, G: 25, B: 10)；(b) 類(lèi)別標(biāo)簽圖HYDICE 圖像數(shù)據(jù)集是在華盛頓 DC 購(gòu)物中心由機(jī)載高光譜數(shù)字圖像采集實(shí)驗(yàn)傳感器獲取。這個(gè)數(shù)據(jù)集包含 305 條掃描線，每條線有 280 個(gè)像素。空間分辨率約為 2.8 米。在去除低信噪比和吸水帶后，剩余的位于可見(jiàn)光譜和紅外光譜的 0.4-2.4 m區(qū)域 191 個(gè)通道用于實(shí)驗(yàn)分析。在這個(gè)實(shí)驗(yàn)中使用來(lái)自 7 個(gè)類(lèi)的總共 777 個(gè)像

【參考文獻(xiàn)】：
期刊論文
[1]高光譜成像技術(shù)在生物醫(yī)學(xué)中的應(yīng)用進(jìn)展[J]. 劉立新,李夢(mèng)珠,趙志剛,屈軍樂(lè).  中國(guó)激光. 2018(02)
[2]高光譜遙感在農(nóng)業(yè)生產(chǎn)中的應(yīng)用及展望[J]. 譚向農(nóng),劉淮,漆錕,丁燕杰.  北京測(cè)繪. 2017(01)
[3]閩江口沼澤植被地上鮮生物量與植株密度高光譜遙感估算[J]. 章文龍,曾從盛,仝川,王維奇,林賢彪,張子川.  自然資源學(xué)報(bào). 2013(12)
[4]基于主成分分析與核獨(dú)立成分分析的降維方法[J]. 梁勝杰,張志華,崔立林,鐘強(qiáng)暉.  系統(tǒng)工程與電子技術(shù). 2011(09)
[5]決策樹(shù)分類(lèi)算法研究[J]. 張琳,陳燕,李桃迎,牟向偉.  計(jì)算機(jī)工程. 2011(13)
[6]半監(jiān)督局部判別分析[J]. 姜偉,楊炳儒.  計(jì)算機(jī)工程. 2011(08)
[7]KNN算法綜述[J]. 閉小梅,閉瑞華.  科技創(chuàng)新導(dǎo)報(bào). 2009(14)
[8]高光譜遙感技術(shù)在地質(zhì)領(lǐng)域中的應(yīng)用[J]. 甘甫平,王潤(rùn)生.  國(guó)土資源遙感. 2007(04)
[9]線性判別分析與主成分分析及其相關(guān)研究評(píng)述[J]. 王曉慧.  中山大學(xué)研究生學(xué)刊(自然科學(xué)、醫(yī)學(xué)版). 2007(04)
[10]高光譜遙感礦物識(shí)別方法研究[J]. 黃光玉,沈占鋒,趙欣梅.  資源環(huán)境與工程. 2007(01)

博士論文
[1]西北地區(qū)冬小麥生長(zhǎng)狀況高光譜遙感監(jiān)測(cè)研究[D]. 田明璐.西北農(nóng)林科技大學(xué) 2017
[2]高光譜遙感影像處理與地質(zhì)應(yīng)用若干關(guān)鍵問(wèn)題研究[D]. 王茂芝.成都理工大學(xué) 2014
[3]數(shù)據(jù)降維算法研究及其應(yīng)用[D]. 張?zhí)镪?上海交通大學(xué) 2008



本文編號(hào)：3046502