高光譜圖像處理是當代遙感領域的技術發(fā)展的前沿領域,在各個領域的實際應用越來越廣泛。但由于高光譜圖像具有光譜分辨率高,波段數量多等特點,波段間存在大量的冗余信息,在存儲時會占據大量的物理空間,且處理時間長,效率低;在進行地物識別、檢測和分類時由于高光譜圖像維度高,地物標記樣本有限,容易出現維度災難的問題,因此對進行高光譜圖像降維,去除冗余數據的預處理是十分必要的,而對高光譜圖像波段選擇既可以到達對原始圖像進行降維的同時又能保留原始波段的物理特性。因此,本論文重點針對高光譜的圖像特點以及可分類問題,本論文提出了兩種新的高光譜圖像波段選擇方法如下:（1）基于K-AP算法的高光譜圖像波段選擇方法。K-AP算法是一種高效的聚類算法,已成功地應用于人臉識別和數據分析等領域,但在高光譜圖像分析領域還少有成功的應用。通過對K-AP算法的深入研究,本文提出了將K-AP算法應用于高光譜圖像波段選擇,對高光譜圖像進行有效的數據壓縮。首先,針對K-AP算法的特點,基于Kullback-Leibler散度我們定義了新的相似度矩陣,對波段進行度量,然后再使用K-AP算法進行聚類,選擇最有代表性的波段,有效地減少了... 

【文章來源】：廣東工業(yè)大學廣東省

【文章頁數】：64 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 國內外研究現狀的分析
    1.3 本文的研究內容
    1.4 論文的結構安排
第二章 高光譜圖像波段選擇原則及分類學習方法介紹
    2.1 引言
    2.2 高光譜圖像波段選擇的原則
    2.3 高光譜圖像分類方法介紹
        2.3.1 高光譜圖像分類學習方法
        2.3.2 SVM原理概述
        2.3.3 KNN原理概述
    2.4 本章小結
第三章 實驗對比方法和數據集介紹
    3.1 引言
    3.2 實驗對比的波段選擇算法的介紹
        3.2.1 最大方差主成分分析波段選擇方法
        3.2.2 基于稀疏表示的波段選擇方法
        3.2.3 基于K-mediods聚類波段選擇方法
    3.3 公開高光譜圖像數據集的介紹
        3.3.1 印第安農場高光譜圖像數據集
        3.3.2 帕維亞中心高光譜圖像數據集
    3.4 本章小結
第四章 基于K-AP算法的高光譜圖像波段選擇方法
    4.1 引言
    4.2 K-AP算法原理
    4.3 波段間相似度的定義
    4.4 基于K-AP算法的波段選擇方法
    4.5 實驗結果及分析
    4.6 本章小結
第五章 結合空譜信息SSC的波段選擇方法
    5.1 引言
    5.2 稀疏子空間聚類算法原理
    5.3 結合空譜信息SSC波段選擇方法
    5.4 實驗結果及分析
    5.5 本章小結
總結與展望
參考文獻
攻讀碩士學位期間發(fā)表成果
致謝


【參考文獻】：
期刊論文
[1]稀疏子空間聚類綜述[J]. 王衛(wèi)衛(wèi),李小平,馮象初,王斯琪.  自動化學報. 2015(08)
[2]一種高效的K-medoids聚類算法[J]. 夏寧霞,蘇一丹,覃希.  計算機應用研究. 2010(12)

博士論文
[1]基于分類精度預測的高光譜圖像分類研究[D]. 隋晨紅.華中科技大學 2015

碩士論文
[1]基于子空間學習的高光譜影像地物分類[D]. 張風.西安電子科技大學 2015
[2]高光譜遙感圖像波段選擇算法研究[D]. 周楊.浙江大學 2014
[3]高光譜圖像波段選擇方法的研究[D]. 魏芳潔.哈爾濱工程大學 2013



本文編號：3636859