近年來,伴隨遙感技術的飛速發(fā)展,高光譜遙感技術逐漸邁入大眾視野,一路成為領域內(nèi)發(fā)展前沿。同時,日益成熟的成像光譜儀技術,給高光譜圖像的質量提供了有力保障。高光譜圖像中含有幾百個狹窄連續(xù)的波段,能提供豐富的空間信息和光譜信息。目前,高光譜圖像地物分類是高光譜圖像處理技術的前沿科研課題。通過對地面物質信息的觀測可以很好地服務于國防安全、食品安全、地質勘探、環(huán)境保護、城市建設等領域。同時,因為高光譜圖像具有數(shù)據(jù)量大、冗余度高、波段之間相關性強等特點,所以很大程度上提升了分類與識別的難度。目前,高光譜圖像降維處理與分類識別已經(jīng)成為處理高光譜圖像的關鍵問題,所以對其進行研究具有重要的理論意義和應用價值。本文在傳統(tǒng)的高光譜圖像降維算法以及分類方法的基礎上,從以下兩個方面開展研究,主要研究內(nèi)容如下:1.基于主成分分析法(PCA)與MKt-SNE結合的高光譜圖像降維方法。首先在保證基本信息不丟失的前提下,利用PCA算法實現(xiàn)一次降維,其次利用MKt-SNE算法(改進的t-SNE算法)進行二次降維,可以更好地提取高光譜圖像的本質特征。其中,MKt-SNE算法克服了傳統(tǒng)的t-SNE算法中受高維空間樣本分布影...

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 高光譜圖像降維研究現(xiàn)狀
        1.2.2 高光譜圖像分類研究現(xiàn)狀
        1.2.3 研究現(xiàn)狀簡析
    1.3 主要研究內(nèi)容
    1.4 文章結構安排
2 高光譜圖像降維與分類理論
    2.1 高光譜圖像降維概述
        2.1.1 特征提取
        2.1.2 波段選擇
    2.2 高光譜圖像分類概述
        2.2.1 高光譜圖像分類過程
        2.2.2 無監(jiān)督分類
        2.2.3 半監(jiān)督分類
        2.2.4 監(jiān)督分類
    2.3 實驗數(shù)據(jù)集
        2.3.1 KSC
        2.3.2 Salinas-A
    2.4 評價方法
        2.4.1 總體分類精度
        2.4.2 平均分類精度
        2.4.3 單一分類精度
        2.4.4 Kappa系數(shù)
    2.5 本章小結
3 基于PCA與MKt-SNE結合的高光譜圖像降維方法
    3.1 基于PCA的高光譜圖像降維
    3.2 基于MKt-SNE的高光譜圖像降維
        3.2.1 t-SNE算法原理
        3.2.2 改進的t-SNE算法MKt-SNE算法
    3.3 基于PCA與MKt-SNE結合的高光譜圖像降維方法
    3.4 仿真實驗及結果分析
        3.4.1 實驗環(huán)境
        3.4.2 高光譜圖像降維結果可視化的對比及分析
        3.4.3 高維數(shù)據(jù)聚類結果評價指標
        3.4.4 高光譜圖像降維結果評價指標的對比及分析
        3.4.5 降維運行時間的對比及分析
    3.5 本章小結
4 融合多層特征SENet和多尺度寬殘差的高光譜圖像分類
    4.1 總體框架與流程
    4.2 基于多層特征SENet的高光譜圖像分類
        4.2.1 SENet結構
        4.2.2 InceptionV2-Resnet網(wǎng)絡模型
        4.2.3 批規(guī)范化
        4.2.4 全局平均池化
        4.2.5 特征結合
        4.2.6 基于多層特征SENet的高光譜圖像分類
    4.3 基于多尺度寬殘差的高光譜圖像分類
        4.3.1 寬殘差網(wǎng)絡
        4.3.2 基于多尺度寬殘差的高光譜圖像分類
    4.4 集成學習
    4.5 仿真實驗及結果分析
        4.5.1 實驗環(huán)境
        4.5.2 數(shù)據(jù)預處理
        4.5.3 實驗結果及分析
    4.6 本章小結
結論
參考文獻
攻讀學位期間發(fā)表的學術論文
致謝



本文編號：3826848