高光譜圖像是一種包含了圖像空間信息和光譜信息的三維立體圖像。隨著高光譜遙感技術(shù)的發(fā)展,高光譜圖像被廣泛應(yīng)用在地物分類、農(nóng)業(yè)檢測(cè)、資源調(diào)查、環(huán)境評(píng)測(cè)和城市研究等領(lǐng)域。由于高光譜圖像具有較高的光譜分辨率、豐富的光譜信息等特點(diǎn),并能夠精確地檢測(cè)和區(qū)分土地覆蓋類別之間的微小差異,高光譜圖像分類逐漸成為一個(gè)重要的研究領(lǐng)域。在高光譜圖像分類研究中,將光譜和空間信息相結(jié)合進(jìn)行分類的算法已經(jīng)相對(duì)成熟,但仍存在:1)維度高計(jì)算量大,2)降維方式易丟失信息,3)降維過程中忽視光譜和空間信息間的潛在聯(lián)系等問題。為此本文提出了三種基于典型相關(guān)性分析的復(fù)合核框架用于高光譜圖像分類。1.為了充分利用光譜和空間信息間的潛在關(guān)系,本文提出了一種基于典型相關(guān)性分析復(fù)合核框架用于高光譜圖像分類。引入典型相關(guān)性分析對(duì)光譜信息和空間信息進(jìn)行處理,得到冗余度更小且經(jīng)過降維的兩組信息,然后使用核方法進(jìn)行信息融合,最后輸入分類器中。通過對(duì)兩組真實(shí)的高光譜數(shù)據(jù)集進(jìn)行實(shí)驗(yàn),證實(shí)了本文提出的算法相對(duì)于一般復(fù)合核框架能夠有效提高分類精度,并且在小訓(xùn)練樣本集的情況下有著更強(qiáng)的魯棒性。2.考慮到高光譜圖像的維度特性,本文進(jìn)一步提出基于二維典型... 

【文章來源】：江南大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：55 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

高光譜圖像原理示意圖

江南大學(xué)碩士學(xué)位論文2中長(zhǎng)波段為主的航空專用掃描儀。到了20世紀(jì)80年代中，我國(guó)又進(jìn)一步研制成功了熱紅外航空多光譜掃描儀以及細(xì)分紅外光譜掃描儀。80年代后期，我國(guó)成功研制出新模塊化航空成像光譜儀，該模塊系統(tǒng)覆蓋了可見光、近紅外到短波紅外波段，共64個(gè)波段，并且可以集成熱紅外多光譜掃描儀，集成后總波段可達(dá)72個(gè)。這一技術(shù)在我國(guó)礦產(chǎn)資源勘探、沙漠環(huán)境監(jiān)測(cè)等多個(gè)領(lǐng)域得到了充分利用。圖1-2高光譜圖像數(shù)據(jù)示意圖1.1.1高光譜遙感的特點(diǎn)與傳統(tǒng)的全色、多光譜遙感圖像相比較，高光譜圖像具有以下幾個(gè)特點(diǎn)[6]：1.波段多，波段的寬度相對(duì)較窄。與傳統(tǒng)的遙感相比高光譜圖像成像光譜儀的成像波段較多并且每個(gè)像素的波段寬度較小，一般小于10nm。然而波段數(shù)卻能夠達(dá)到幾十到幾百個(gè)，這些波段在光譜帶上的分布是連續(xù)的。這并不只是簡(jiǎn)單的波段個(gè)數(shù)上的提升，同時(shí)高光譜圖像里地物目標(biāo)的光譜空間信息量也在迅速增加。2.光譜感知范圍廣，光譜分辨率相對(duì)較高。成像光譜儀所涉及的波長(zhǎng)范圍較廣，從可見光到中紅外，并且光譜分辨率更是達(dá)到了納米級(jí)。超高的光譜分辨率為更好地獲取地物目標(biāo)波段上微小特征信息打下了堅(jiān)實(shí)基矗3.光譜域信息與空間域信息通常有機(jī)結(jié)合。在高光譜圖像數(shù)據(jù)中，每個(gè)像素點(diǎn)對(duì)應(yīng)著一條光譜帶，整個(gè)數(shù)據(jù)是結(jié)合光譜和空間信息的立方體，所以高光譜圖像不僅有著二維平面上的空間圖像維度也有著光譜維度，針對(duì)高光譜圖像的分類算法通常利用光譜信息和空間信息的融合達(dá)到更好的分類效果。4.數(shù)據(jù)描述模型多，相關(guān)分析更加靈活。高光譜影像通常有三種描述方法：特征方法、圖像方法和光譜方法。5.數(shù)據(jù)量大，信息冗余相對(duì)較多。高光譜數(shù)據(jù)的光譜波段多，數(shù)據(jù)量龐大并且波段的寬度小于10nm，波段之間具有很高的相關(guān)性，信息冗余度

膨脹操作

【參考文獻(xiàn)】：
期刊論文
[1]基于多重集典型相關(guān)的深度特征融合及SAR目標(biāo)識(shí)別方法[J]. 陳惠紅,劉世明.  電子測(cè)量與儀器學(xué)報(bào). 2019(09)
[2]貝葉斯稀疏表示高光譜圖像超分辨率方法[J]. 黃偉,許蒙恩,徐國(guó)明,黃勤超.  計(jì)算機(jī)科學(xué)與探索. 2018(12)
[3]基于集成學(xué)習(xí)的多重集典型相關(guān)分析方法[J]. 邱愛昆,朱嘉鋼.  計(jì)算機(jī)工程與應(yīng)用. 2017(06)
[4]混合概率典型相關(guān)性分析[J]. 張博,郝杰,馬剛,岳金朋,張建華,史忠植.  計(jì)算機(jī)研究與發(fā)展. 2015(07)
[5]基于典型相關(guān)回歸的多跳非測(cè)距定位方法[J]. 程炳華,嚴(yán)筱永,胡勇.  數(shù)據(jù)采集與處理. 2014(06)
[6]面向腦血管分割的改進(jìn)型非局部均值濾波算法研究[J]. 陳星,宋智洋,周明全,武仲科,王醒策.  中國(guó)光學(xué). 2014(04)
[7]改進(jìn)的二維典型相關(guān)分析及其人臉識(shí)別應(yīng)用[J]. 劉艷艷,曹慧榮,王建國(guó),趙宜賓.  計(jì)算機(jī)工程. 2012(10)
[8]快速SVM算法及在陀螺儀參數(shù)漂移預(yù)測(cè)中的應(yīng)用[J]. 張慶,劉丙杰,王新宇.  艦船電子工程. 2008(11)
[9]二維典型相關(guān)分析及其在人臉識(shí)別中的應(yīng)用[J]. 宋東興,劉永俊,陳才扣.  計(jì)算機(jī)應(yīng)用. 2008(09)
[10]高光譜──遙感測(cè)繪的新機(jī)遇[J]. 余旭初,馮伍法,林麗霞.  測(cè)繪科學(xué)技術(shù)學(xué)報(bào). 2006(02)

博士論文
[1]人臉檢測(cè)和識(shí)別算法的研究與實(shí)現(xiàn)[D]. 趙麗紅.東北大學(xué) 2006
[2]基于投影尋蹤和非線性主曲線的高光譜遙感圖像特征提取及分類研究[D]. 張連蓬.山東科技大學(xué) 2003



本文編號(hào)：3560288