高光譜分類任務(wù)中,由于波段數(shù)量較多,圖像中包含噪聲以及各類地物樣本分布不均勻,導(dǎo)致分類精度與訓(xùn)練效率不能平衡以及在小樣本上分類精度低。針對(duì)上述問題,提出一種基于級(jí)聯(lián)多分類器的高光譜圖像分類方法。首先,采用主成分分析方法將高度相關(guān)的高維特征合成無關(guān)的低維特征,以加快Gabor濾波器提取紋理特征的速度;然后,使用Gabor濾波器提取圖像在各個(gè)尺寸、方向上的紋理信息,每一個(gè)濾波器會(huì)生成一張?zhí)卣鲌D,在特征圖中以待分類樣本為中心取一個(gè)d*d的鄰域,計(jì)算該鄰域內(nèi)數(shù)據(jù)的均值和方差來作為待分類樣本的空間信息,再將空間信息和光譜信息融合,以降低光線與噪聲的影響;最后,將譜-空聯(lián)合特征輸入級(jí)聯(lián)多分類器中,得到預(yù)測(cè)樣本關(guān)于類別的概率分布的平均值。實(shí)驗(yàn)采用Indian Pines、Pavia University和Salinas三組數(shù)據(jù)集,與經(jīng)典算法如支持向量機(jī)和卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行比較,并采用總體分類精度、平均分類精度和Kappa系數(shù)作為評(píng)價(jià)標(biāo)準(zhǔn)對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析。本文方法總體分類精度在三個(gè)數(shù)據(jù)集上分別達(dá)到97.24%、99.57%和99.46%,相對(duì)于基于RBF核函數(shù)的支持向量機(jī)方法提高了13.2%、4.8%... 

【文章來源】：遼寧工程技術(shù)大學(xué)遼寧省

【文章頁數(shù)】：61 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

特征選擇過程

遼寧工程技術(shù)大學(xué)碩士學(xué)位論文72高光譜圖像分類相關(guān)理論2.1高光譜圖像主要預(yù)處理技術(shù)特征選擇和特征提取是用于識(shí)別圖像的重要過程之一，這兩步會(huì)對(duì)分類器的性能與選擇起決定性作用。因HSI具有較高維度的數(shù)據(jù)信息，對(duì)于高維度的數(shù)據(jù)的特征進(jìn)行選擇和提取是非常重要的研究。2.1.1特征選擇特征選擇過程的本質(zhì)核心是：從圖像的許多特征信息中，尋找最有效的信息特征去實(shí)現(xiàn)高維度到低維度的轉(zhuǎn)變。高光譜的特征選擇在一定程度上，是對(duì)從偌大特征空間中選取子空間的難點(diǎn)，目的是選擇出對(duì)于分類器有效的可分類的光譜信息。高光譜特征選擇的過程如圖2.1所示。圖2.1特征選擇過程Figure2.1Featureselectionprocess2.1.2特征提取特征提取的本質(zhì)核心思想是：將高維度空間中的特征信息通過映射或變換的辦法在低維度空間中表示出來。在實(shí)際應(yīng)用環(huán)境中，經(jīng)常把原始未加工過的高維度空間使用線性或者非線性的方程式的方法投影到最佳的特征空間中。高光譜特征提取的過程如圖2.2所示。常用的高光譜特征提取的方法包括主成分分析、Gabor濾波器和基于卷積神經(jīng)網(wǎng)絡(luò)的特征提齲圖2.2特征提取過程Figure2.2Featureextractionprocess（1）主成分分析在1901年，Pearson提出主成分分析(PrincipalComponentAnalysis,PCA)方法。在1933年，Hotelling在Pearson提出的基礎(chǔ)上加以改進(jìn)，提出一種包含多種變量的統(tǒng)計(jì)學(xué)方法。PCA是一種用來特征提取的有效方法，算法是把圖像轉(zhuǎn)換為一個(gè)列向量，經(jīng)過轉(zhuǎn)變后可以

遼寧工程技術(shù)大學(xué)碩士學(xué)位論文9視覺刺激響應(yīng)非常類似，因此可以從圖像中獲取目標(biāo)物體的局部空間和頻域信息。它具有良好的方向、頻率和尺度選擇特性，并且對(duì)光線變化不敏感，因此在視覺信息理解領(lǐng)域被廣泛用于紋理特征的提齲圖2.3將Gabor濾波器與脊椎動(dòng)物感受野內(nèi)視覺細(xì)胞對(duì)視覺刺激的響應(yīng)進(jìn)行了比較，其中第一行代表視覺細(xì)胞對(duì)視覺刺激的響應(yīng)；第二行代表與第一行想對(duì)應(yīng)的Gabor濾波器；第三行代表二者的殘差�？梢詮膱D2.3看到，二者的殘差值極小，因此可以用Gabor濾波器近似地完成視覺細(xì)胞的功能，實(shí)現(xiàn)特征提取的目的。圖2.3Gabor濾波器和脊椎動(dòng)物視覺皮層感受野響應(yīng)的比較Figure2.3comparisonbetweenGaborfilterandresponseofsensoryfieldinvertebratevisualcortex在圖形圖像處理、模式識(shí)別等領(lǐng)域中，需要引入二維Gabor小波變換對(duì)時(shí)頻域的相關(guān)信號(hào)進(jìn)行處理，它可以在相同時(shí)刻分析處理時(shí)間域和頻率域中的信號(hào)。二維Gabor小波變換與傳統(tǒng)的傅里葉變換存在著一定的差異，具體表現(xiàn)在時(shí)間頻率的局部化上，當(dāng)時(shí)間、頻率達(dá)到局部化最佳時(shí)，Gabor濾波器的方向、基帶頻率是非常容易調(diào)整的。因此，Gabor小波能識(shí)別多種分辨率的圖像，可以對(duì)圖像進(jìn)行有效的變換。Gabor小波變換在特征提取方面具有如下優(yōu)勢(shì)：1）為滿足實(shí)時(shí)性的需要，Gabor小波可以對(duì)少量數(shù)據(jù)信息進(jìn)行處理。2）Gabor小波對(duì)太陽光光線影響不敏感，而且可以接受圖形圖像因外界因素產(chǎn)生的不確定性因素，如變形或旋轉(zhuǎn)等。二維Gabor濾波器是由Gabor小波函數(shù)構(gòu)建而來的一種線性濾波器，它的方向和頻率與視覺細(xì)胞對(duì)其偏好視覺刺激的響應(yīng)是相似的，此可以對(duì)尺度、頻率和方向等特征有較好的表示。所以在實(shí)際的應(yīng)用環(huán)境中，Gabor濾波器被廣泛用于提取不同尺度、頻率與方向上的紋理和空間信息。綜上所述

【參考文獻(xiàn)】：
期刊論文
[1]樣本優(yōu)化選擇的高光譜圖像分類[J]. 方帥,祝鳳娟,董張玉,張晶.  中國圖象圖形學(xué)報(bào). 2019(01)
[2]面向目標(biāo)檢測(cè)基于稀疏表示的波段選擇方法[J]. 唐意東,黃樹彩,薛愛軍.  電子學(xué)報(bào). 2017(10)
[3]小樣本的高光譜圖像降噪與分類[J]. 崔賓閣,馬秀丹,謝小云.  遙感學(xué)報(bào). 2017(05)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像譜-空聯(lián)合分類[J]. 付光遠(yuǎn),辜弘煬,汪洪橋.  科學(xué)技術(shù)與工程. 2017(21)
[5]基于DBNMI模型的海洋遙感影像自動(dòng)標(biāo)注方法[J]. 黃冬梅,許瓊瓊,杜艷玲,賀琪.  中國科學(xué)技術(shù)大學(xué)學(xué)報(bào). 2017(07)
[6]基于無人機(jī)高光譜遙感的冬小麥葉面積指數(shù)反演[J]. 高林,楊貴軍,于海洋,徐波,趙曉慶,董錦繪,馬亞斌.  農(nóng)業(yè)工程學(xué)報(bào). 2016(22)
[7]蘋果輕微機(jī)械損傷高光譜圖像無損檢測(cè)[J]. 蔣金豹,尤笛,汪國平,張政,門澤成.  光譜學(xué)與光譜分析. 2016(07)
[8]礦山環(huán)境高光譜遙感監(jiān)測(cè)研究進(jìn)展[J]. 李萬倫,甘甫平.  國土資源遙感. 2016(02)
[9]植被生物量高光譜遙感監(jiān)測(cè)研究進(jìn)展[J]. 姚闊,郭旭東,南穎,李坤,江淑芳,孫婷婷.  測(cè)繪科學(xué). 2016(08)
[10]基于空間相關(guān)性約束稀疏表示的高光譜圖像分類[J]. 劉建軍,吳澤彬,韋志輝,肖亮,孫樂.  電子與信息學(xué)報(bào). 2012(11)

碩士論文
[1]基于深度自編碼網(wǎng)絡(luò)的高光譜圖像空譜聯(lián)合分類[D]. 余立付.西安電子科技大學(xué) 2017



本文編號(hào)：3426245