近年來,隨著高光譜遙感技術(shù)的發(fā)展,其應(yīng)用已經(jīng)覆蓋環(huán)境監(jiān)測(cè),醫(yī)療圖像,精準(zhǔn)農(nóng)業(yè),城市監(jiān)測(cè)等方面。與此同時(shí),高維度的光譜結(jié)構(gòu)也為高光譜圖像處理帶來了新的挑戰(zhàn)。鄰近波段之間往往存在大量的冗余信息,高維度的數(shù)據(jù)結(jié)構(gòu)往往會(huì)導(dǎo)致“Hughes”現(xiàn)象,并且會(huì)增加存儲(chǔ)空間與算法計(jì)算復(fù)雜度上的負(fù)擔(dān)。另外,在高光譜數(shù)據(jù)中帶標(biāo)簽的數(shù)據(jù)很少并且標(biāo)簽信息的獲取難度很大。本文結(jié)合高光譜的數(shù)據(jù)特點(diǎn),做了深入的研究分析,并提出了多種無監(jiān)督的特征選擇與特征提取方法,概括如下:(1)針對(duì)無監(jiān)督的波段選擇問題,綜合考慮了重要信息的保留與冗余信息的去除兩方面,將這兩方面同時(shí)設(shè)計(jì)進(jìn)一個(gè)目標(biāo)函數(shù)中。由于該目標(biāo)函數(shù)的解空間是離散的,不易于獲得導(dǎo)數(shù)信息,本質(zhì)上是一個(gè)組合優(yōu)化問題。因此我們又設(shè)計(jì)了一個(gè)基于Memetic計(jì)算的啟發(fā)式隨機(jī)搜索策略,用于該目標(biāo)函數(shù)的優(yōu)化。實(shí)驗(yàn)結(jié)果表明,我們提出的算法比起傳統(tǒng)的波段選擇方法在后續(xù)分類精度上有了明顯的提升。(2)針對(duì)傳統(tǒng)的FCM無監(jiān)督聚類方法中存在對(duì)初始化狀態(tài)和噪聲點(diǎn)敏感,以及易于陷入局部最優(yōu)的問題,我們?cè)O(shè)計(jì)了一種基于PSO的優(yōu)化方法來替代傳統(tǒng)FCM中基于拉格朗日乘子法的迭代優(yōu)化,并將該方法應(yīng)用... 

【文章來源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：153 頁

【學(xué)位級(jí)別】：博士

【部分圖文】：

圖１．１高光譜影像成像結(jié)構(gòu)示意圖

據(jù)結(jié)構(gòu)的特點(diǎn)，來分別對(duì)無監(jiān)督的高光譜特征選擇與特征提取這兩個(gè)挑戰(zhàn)性課題進(jìn)??行了深入的研究。??論文的主要工作內(nèi)容如圖１．２所示。對(duì)于無監(jiān)督的高光譜特征選擇問題，論文??主要圍繞重要信息保留與冗余信息去除這兩方面進(jìn)行算法設(shè)計(jì)。論文從優(yōu)化的角??度給出了兩種類型的算法設(shè)計(jì)，分別是基于單目標(biāo)函數(shù)建模的無監(jiān)督特征選擇和??基于多目標(biāo)函數(shù)建模的無監(jiān)督特征選擇。針對(duì)基于單目標(biāo)函數(shù)建模的方法，設(shè)計(jì)了??兩種方式來兼顧重要信息保留與冗余信息去除這兩方面。在第二章中，提出了基??于Ｍｅｍｅｔｉｃ計(jì)算的方法。該方法將信息保留與冗余去除兩方面融合到一個(gè)目標(biāo)函數(shù)??中來處理，將這兩方面的優(yōu)化融合為一個(gè)階段來處理。在第三章中，提出了基于模??糊Ｃ均值（Ｆｕｚｚｙ?Ｃ?Ｍｅａｎｓ，?ＦＣＭ）與粒子群優(yōu)化（Ｐａｒｔｉｃｌｅ?Ｓｗａｒｍ?Ｏｐｔｉｍｉｚａｔｉｏｎ，?ＰＳＯ）??的方法。該方法將信息保留與冗余去除分為兩個(gè)階段來處理，首先通過模糊聚類框??架進(jìn)行冗余信息去除，之后通過選擇代表聚類中心完成重要信息保留�；诙嗄�??標(biāo)函數(shù)建模方法的提出則主要用來探索無監(jiān)督波段選擇中三個(gè)關(guān)鍵問題之間的權(quán)??衡關(guān)系問題

遺傳算法相比，局部搜索策略的引入提高了優(yōu)化效率，可以在相同迭代次數(shù)內(nèi)得到??質(zhì)量更高的解。在過去的十年內(nèi)，Ｍｅｍｅｔｉｃ計(jì)算被廣泛應(yīng)用到各個(gè)領(lǐng)域比如：網(wǎng)??絡(luò)結(jié)構(gòu)的優(yōu)化與檢測(cè)ｔ９Ｗ〇〇］，圖像處理等［１°１］。該框架的示意圖如圖２．１。全局搜索更側(cè)??重基于種群的更新搜索，可以在整個(gè)解空間進(jìn)行搜索并能夠提供全局最優(yōu)解或者質(zhì)??量很好的次優(yōu)解［１〇２］。但是由于啟發(fā)式算法的隨機(jī)性，基于種群的全局搜索需要很長(zhǎng)??的時(shí)間才可能找到最優(yōu)解。而局部搜索設(shè)計(jì)的目的則是為了加速優(yōu)化求解過程，在??基于個(gè)體的局部空間進(jìn)行搜索。因此，這二者的結(jié)合使得Ｍｅｍｅｔｉｃ計(jì)算能夠更加有效??率的找到問題的最優(yōu)解Ｕ°３’１Ｗ］。??２．３基于Ｍｅｍｅｔｉｃ計(jì)算的特征選擇算法??在本節(jié)中，我們將會(huì)詳細(xì)介紹提出的算法。其中包括兩部分：一個(gè)全新的波段??選擇目標(biāo)函數(shù)和一個(gè)全新設(shè)計(jì)的Ｍｅｍｅｔｉｃ算法。??２．３．１波段選擇目標(biāo)函數(shù)??如上面所討論，波段選擇的目標(biāo)函數(shù)需要兼顧到兩點(diǎn)．？保持重要信息和去除冗??余信息。這就需要我們?cè)O(shè)計(jì)的目標(biāo)函數(shù)能夠量化這兩方面。由于沒有地物標(biāo)簽信息，??一般認(rèn)為波段的有效信息指的是清晰具有區(qū)分度的圖像內(nèi)容。圖像的高對(duì)比度可以??使得圖像的內(nèi)容區(qū)分更明顯。因此


本文編號(hào)：2948528