發(fā)布時(shí)間：2017-04-25 00:15

  本文關(guān)鍵詞：基于多尺度局部二值模式的高光譜圖像分類算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著探測(cè)器技術(shù)的發(fā)展,高光譜成像的空間分辨率和光譜分辨率都有了顯著的提高,在光譜域表現(xiàn)為特征光譜是連續(xù)光譜,可進(jìn)行定量化研究。在空間域表現(xiàn)為相同類別的地物呈現(xiàn)聚類特性,即相鄰的地物屬于同一類別的概率較大。這一點(diǎn)在高光譜遙感影像處理中已經(jīng)得到驗(yàn)證。高光譜影像包含豐富的空間信息和光譜信息,為高光譜遙感信息提取技術(shù)的發(fā)展與應(yīng)用帶來(lái)了機(jī)遇。本文從高光譜遙感影像的空間特征出發(fā),引入多尺度LBP算子提取高光譜影像的空間紋理特征,對(duì)特選波段或者特征波段進(jìn)行多尺度LBP特征提取,采用復(fù)合核多元邏輯回歸分類器進(jìn)行分類。選用AVIRIS高光譜遙感和ROSIS高光譜影像作為實(shí)驗(yàn)數(shù)據(jù),分別采用LBP算子和多尺度LBP算子提取高光譜影像空間紋理特征,比較分類精度。實(shí)驗(yàn)表明,多尺度LBP算子提取的空間紋理特性可以獲得不同尺度下的空間紋理特征,其分類精度明顯提高。本文從光譜矢量觀點(diǎn)出發(fā),將每個(gè)空間像素的光譜曲線看作是基于該空間位置的一維矢量,將多尺度LBP算子紋理特征提取擴(kuò)展為矢量運(yùn)算,提出了基于光譜向量多尺度局部二值模式的空間紋理特征提取。該算法不需要對(duì)高光譜影像進(jìn)行波段選擇或者特征波段提取,將全部光譜特征應(yīng)用于空間紋理特征提取中,經(jīng)試驗(yàn)分析,能夠明顯提高高光譜分類精度。
【關(guān)鍵詞】：高光譜影像 圖像分類 多尺度LBP 空譜聯(lián)合 復(fù)合核多元邏輯回歸
【學(xué)位授予單位】：西安石油大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP751
【目錄】：

• 摘要3-4
• ABSTRACT4-8
• 第一章 緒論8-18
• 1.1 選題的背景及意義8
• 1.2 高光譜技術(shù)發(fā)展現(xiàn)狀8-13
• 1.2.1 高光譜成像技術(shù)的發(fā)展現(xiàn)狀8-11
• 1.2.2 高光譜數(shù)據(jù)處理發(fā)展現(xiàn)狀11-12
• 1.2.3 高光譜數(shù)據(jù)處理發(fā)展趨勢(shì)12-13
• 1.3 基于局部二值模式技術(shù)的高光譜圖像分類技術(shù)發(fā)展現(xiàn)狀13-16
• 1.3.1 局部二值模式技術(shù)發(fā)展現(xiàn)狀13-15
• 1.3.2 局部二值模式技術(shù)在高光譜圖像中的應(yīng)用15-16
• 1.3.3 局部二值模式的高光譜圖像發(fā)展趨勢(shì)16
• 1.4 研究?jī)?nèi)容16-18
• 第二章 基于空譜聯(lián)合的高光譜影像分類技術(shù)18-30
• 2.1 高光譜圖像數(shù)據(jù)的表達(dá)方式18-19
• 2.2 高光譜圖像數(shù)據(jù)的特征描述19-24
• 2.2.1 高光譜圖像的空間特征描述方法19-21
• 2.2.2 高光譜圖像的光譜特征描述方法21-24
• 2.2.3 高光譜圖像的空譜聯(lián)合特征描述方法24
• 2.3 高光譜圖像數(shù)據(jù)的空譜聯(lián)合特征的選擇準(zhǔn)則24-25
• 2.4 常用分類器介紹25-29
• 2.4.1 支持向量機(jī)回歸模型25-27
• 2.4.2 核多元邏輯回歸模型27-28
• 2.4.3 K-近鄰分類算法28-29
• 2.5 本章小結(jié)29-30
• 第三章 基于單波段多尺度局部二值模式的高光譜圖像分類算法30-41
• 3.1 高光譜影像特征提取30-32
• 3.1.1 多尺度局部二值模型技術(shù)30-31
• 3.1.2 單波段多尺度局部二值模型空間紋理特征提取31-32
• 3.1.3 空譜特征融合32
• 3.2 算法設(shè)計(jì)與實(shí)現(xiàn)32-37
• 3.2.1 實(shí)驗(yàn)數(shù)據(jù)32-34
• 3.2.2 算法設(shè)計(jì)34-35
• 3.2.3 算法實(shí)現(xiàn)35-37
• 3.3 實(shí)驗(yàn)內(nèi)容與結(jié)果分析37-40
• 3.4 本章小結(jié)40-41
• 第四章 基于光譜向量多尺度局部二值模式的高光譜圖像分類算法41-46
• 4.1 光譜向量多尺度局部二值模式空間紋理特征提取41-42
• 4.2 空譜特征融合42
• 4.3 實(shí)驗(yàn)內(nèi)容與結(jié)果分析42-45
• 4.4 本章小結(jié)45-46
• 第五章 總結(jié)與展望46-48
• 5.1 工作總結(jié)46
• 5.2 發(fā)展展望46-48
• 致謝48-49
• 參考文獻(xiàn)49-52
• 攻讀學(xué)位期間發(fā)表的論文52-53

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 甘甫平;王潤(rùn)生;;高光譜遙感技術(shù)在地質(zhì)領(lǐng)域中的應(yīng)用[J];國(guó)土資源遙感;2007年04期

2 余旭初;楊國(guó)鵬;馮伍法;周欣;;基于簡(jiǎn)約集支持向量機(jī)的高光譜影像分類[J];計(jì)算機(jī)科學(xué);2010年11期

3 楊可明;張濤;王立博;錢小麗;王林偉;劉士文;;諧波分析法高光譜影像融合及其光譜信息保真度評(píng)價(jià)[J];光譜學(xué)與光譜分析;2013年09期

4 李新雙;張良培;李平湘;吳波;;基于小波分量特征值匹配的高光譜影像分類[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2006年03期

5 楊可明;陳云浩;郭達(dá)志;蔣金豹;;基于高光譜影像的小麥條銹病光譜信息探測(cè)與提取(英文)[J];光子學(xué)報(bào);2008年01期

6 蘇俊英;舒寧;;一種基于非線性增益小波濾波的高光譜影像去噪技術(shù)研究[J];遙感技術(shù)與應(yīng)用;2008年04期

7 楊可明;李慧;郭達(dá)志;;基于最佳小波包基的高光譜影像特征制圖[J];測(cè)繪學(xué)報(bào);2008年01期

8 楊國(guó)鵬;余旭初;劉偉;陳偉;;基于支持向量機(jī)的高光譜影像分類研究[J];計(jì)算機(jī)工程與設(shè)計(jì);2008年08期

9 董超;趙慧潔;;關(guān)聯(lián)向量機(jī)在高光譜影像分類中的應(yīng)用[J];遙感學(xué)報(bào);2010年06期

10 董超;田聯(lián)房;趙慧潔;;遺傳關(guān)聯(lián)向量機(jī)高光譜影像分類[J];上海交通大學(xué)學(xué)報(bào);2011年10期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前10條

1 舒寧;胡穎;;基于地物光譜特征的高光譜影像邊緣提取方法[A];地理空間信息技術(shù)與應(yīng)用——中國(guó)科協(xié)2002年學(xué)術(shù)年會(huì)測(cè)繪論文集[C];2002年

2 舒寧;;多光譜和高光譜影像紋理分析的幾種方法[A];第十五屆全國(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2005年

3 于美嬌;董廣軍;張永生;紀(jì)松;楊靖宇;;一種基于極大后驗(yàn)估計(jì)的高光譜影像分辨率增強(qiáng)方法[A];圖像圖形技術(shù)與應(yīng)用進(jìn)展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2008年

4 董廣軍;紀(jì)松;朱朝杰;;基于局部線性嵌入流形學(xué)習(xí)的高光譜影像分類技術(shù)[A];第六屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集（3）[C];2008年

5 汪瑋;周可法;王金林;周曙光;劉慧;;環(huán)境減災(zāi)衛(wèi)星高光譜數(shù)據(jù)預(yù)處理[A];第十二屆全國(guó)數(shù)學(xué)地質(zhì)與地學(xué)信息學(xué)術(shù)研討會(huì)論文集[C];2013年

6 黃遠(yuǎn)程;張良培;李平湘;;基于最小單形體體積約束的高光譜影像端元光譜提取[A];遙感定量反演算法研討會(huì)摘要集[C];2010年

7 劉慶杰;藺啟忠;王黎明;王欽軍;李慶亭;苗峰顯;;基于CFFT最優(yōu)信噪比的星載高光譜影像噪聲抑制研究[A];第十七屆中國(guó)遙感大會(huì)摘要集[C];2010年

8 張杰林;;砂巖型鈾礦床高光譜數(shù)據(jù)挖掘技術(shù)研究[A];第十五屆全國(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2005年

9 董彥芳;龐勇;;高光譜影像與LiDAR數(shù)據(jù)融合提取城市目標(biāo)提取[A];中國(guó)地震學(xué)會(huì)空間對(duì)地觀測(cè)專業(yè)委員會(huì)2013年學(xué)術(shù)研討會(huì)論文摘要集[C];2013年

10 李飛;周成虎;陳榮國(guó);;基于光譜曲線形態(tài)的高光譜影像檢索方法研究[A];第二屆中國(guó)科學(xué)院博士后學(xué)術(shù)年會(huì)暨高新技術(shù)前沿與發(fā)展學(xué)術(shù)會(huì)議程序冊(cè)[C];2010年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前8條

1 劉軻;冬小麥葉面積指數(shù)高光譜遙感反演方法研究[D];中國(guó)農(nóng)業(yè)科學(xué)院;2015年

2 楊國(guó)鵬;基于機(jī)器學(xué)習(xí)方法的高光譜影像分類研究[D];解放軍信息工程大學(xué);2010年

3 路威;面向目標(biāo)探測(cè)的高光譜影像特征提取與分類技術(shù)研究[D];中國(guó)人民解放軍信息工程大學(xué);2005年

4 楊哲海;高光譜影像分類若干關(guān)鍵技術(shù)的研究[D];解放軍信息工程大學(xué);2006年

5 王凱;基于多特征融合的高光譜影像地物精細(xì)分析方法研究[D];武漢大學(xué);2013年

6 杜輝強(qiáng);高光譜遙感影像濾波和邊緣提取方法研究[D];武漢大學(xué);2004年

7 韋瑋;基于多角度高光譜CHRIS數(shù)據(jù)的濕地信息提取技術(shù)研究[D];中國(guó)林業(yè)科學(xué)研究院;2011年

8 龔鑓;基于HDA和MRF的高光譜影像同質(zhì)區(qū)分析[D];武漢大學(xué);2007年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 司海青;含水量對(duì)土壤有機(jī)質(zhì)含量高光譜估算的影響研究[D];中國(guó)農(nóng)業(yè)科學(xué)院;2015年

2 魏祥坡;高光譜影像土質(zhì)要素和人工地物分類技術(shù)研究[D];解放軍信息工程大學(xué);2015年

3 康苒;松嫩平原典型土壤有機(jī)質(zhì)高光譜預(yù)測(cè)模型研究[D];東北農(nóng)業(yè)大學(xué);2016年

4 張穎;基于主動(dòng)學(xué)習(xí)的高光譜影像分類[D];成都理工大學(xué);2016年

5 張風(fēng);基于子空間學(xué)習(xí)的高光譜影像地物分類[D];西安電子科技大學(xué);2015年

6 劉瑞香;基于多尺度局部二值模式的高光譜圖像分類算法研究[D];西安石油大學(xué);2016年

7 董連鳳;高光譜影像預(yù)處理技術(shù)研究[D];長(zhǎng)安大學(xué);2007年

8 祝鵬飛;面向?qū)ο蟮母吖庾V影像地物分類技術(shù)研究[D];解放軍信息工程大學(xué);2011年

9 楊國(guó)鵬;基于核方法的高光譜影像分類與特征提取[D];解放軍信息工程大學(xué);2007年

10 楊明;面向分類的高光譜影像特征提取技術(shù)研究[D];解放軍信息工程大學(xué);2012年

  本文關(guān)鍵詞：基于多尺度局部二值模式的高光譜圖像分類算法研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：325249