高光譜圖像數(shù)據(jù)將反映地物空間幾何關(guān)系的圖像信息和反應(yīng)地物輻射屬性的光譜信息有效地結(jié)合在了一起。高光譜圖像通常由數(shù)百個(gè)相鄰波段和狹窄波段組成,從同一場景的可見光譜到近紅外光譜波段,它們提供了豐富的土地覆蓋信息,并且在土地使用分析、城市測繪、軍事偵察、和環(huán)境監(jiān)測等方面引起了廣泛的關(guān)注。在這些應(yīng)用中,最基本的問題就是分類。本文在已知的聯(lián)合稀疏表示的高光譜圖像分類基礎(chǔ)上,對稀疏表示的字典進(jìn)行了進(jìn)一步的研究,提出了基于二級字典的聯(lián)合稀疏表示高光譜圖像分類和基于字典優(yōu)化的聯(lián)合稀疏表示的高光譜圖像分類。本文的主要研究內(nèi)容如下:1.針對聯(lián)合稀疏表示高光譜圖像分類算法對光譜信息利用不充分的問題,提出了基于二級字典的聯(lián)合稀疏表示高光譜圖像分類算法。絕大部分稀疏表示高光譜圖像分類的算法字典的選取方法都是都是直接選取像元,并沒有進(jìn)行進(jìn)一步的處理。為了進(jìn)行字典進(jìn)一步的處理,提高與待測像元類別一致的像元被選擇進(jìn)行稀疏重構(gòu)概率,本文使用基于萬有引力改善的適應(yīng)于高光譜像元的公式對字典進(jìn)行更新。對于每一個(gè)待測像元,使用其與字典原子計(jì)算出的引力值后再與字典原子像元相乘,提高正確分類的概率。為了使光譜的信息被充分利用,使用... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
注釋表
第1章 引言
    1.1 課題研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 高光譜圖像分類技術(shù)現(xiàn)狀
        1.2.2 稀疏表示分類研究現(xiàn)狀
    1.3 論文的主要研究內(nèi)容
    1.4 論文的主要結(jié)構(gòu)
第2章 高光譜圖像分類算法
    2.1 常見高光譜圖像分類算法
        2.1.1 KNN分類算法
        2.1.2 SVM算法
        2.1.3 卷積神經(jīng)網(wǎng)絡(luò)分類算法
    2.2 稀疏表示高光譜分類算法
        2.2.1 稀疏表示分類理論
        2.2.2 稀疏重構(gòu)算法
    2.3 稀疏表示高光譜分類算法
        2.3.1 Indian Pines數(shù)據(jù)集
        2.3.2 Salinas數(shù)據(jù)集
    2.4 高光譜圖像分類評價(jià)標(biāo)準(zhǔn)
        2.4.1 誤差矩陣
        2.4.2 總分類精度
    2.5 本章小結(jié)
第3章 基于二級字典的聯(lián)合稀疏表示高光譜圖像分類
    3.1 研究背景
    3.2 基于核函數(shù)的聯(lián)合稀疏表示分類算法
    3.3 基于二級字典的聯(lián)合稀疏表示高光譜圖像分類
    3.4 實(shí)驗(yàn)仿真分析
        3.4.1 實(shí)驗(yàn)參數(shù)設(shè)置
        3.4.2 Indian Pines數(shù)據(jù)集
        3.4.3 Salinas數(shù)據(jù)集
    3.5 本章小結(jié)
第4章 基于字典優(yōu)化的聯(lián)合稀疏表示高光譜圖像分類
    4.1 研究背景
    4.2 字典原子的選擇
    4.3 主成分分析法
    4.4 基于字典優(yōu)化的聯(lián)合稀疏表示高光譜圖像分類
    4.5 實(shí)驗(yàn)仿真與分析
        4.5.1 實(shí)驗(yàn)參數(shù)設(shè)置
        4.5.2 Indian Pines數(shù)據(jù)集
        4.5.3 Salinas數(shù)據(jù)集
    4.6 總結(jié)
第5章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 發(fā)展展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果


【參考文獻(xiàn)】：
期刊論文
[1]基于自適應(yīng)核聯(lián)合稀疏表示的多特征高光譜圖像分類[J]. 張會(huì)敏,楊明,呂靜.  中國科學(xué)技術(shù)大學(xué)學(xué)報(bào). 2018(04)
[2]基于核函數(shù)的聯(lián)合稀疏表示高光譜圖像分類[J]. 陳善學(xué),周艷發(fā),漆若蘭.  系統(tǒng)工程與電子技術(shù). 2018(03)
[3]基于鄰域相似度的聯(lián)合稀疏表示的高光譜圖像分類算法[J]. 李佳遜,董安國,沈亞棟,張蓓.  激光與光電子學(xué)進(jìn)展. 2017(12)
[4]基于緊耦合像元的自適應(yīng)增強(qiáng)類內(nèi)稀疏表示高光譜圖像分類[J]. 陳善學(xué),桂成名,王一寧.  系統(tǒng)工程與電子技術(shù). 2017(03)
[5]高光譜遙感影像分類研究進(jìn)展[J]. 杜培軍,夏俊士,薛朝輝,譚琨,蘇紅軍,鮑蕊.  遙感學(xué)報(bào). 2016(02)
[6]基于聯(lián)合結(jié)構(gòu)化稀疏表示的高光譜圖像分類[J]. 薄純娟,張汝波,楊大偉,龔濤.  華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(S1)

碩士論文
[1]基于加權(quán)核稀疏表示的人臉識別方法研究[D]. 劉曉芬.重慶大學(xué) 2018



本文編號：3278635