高光譜圖像包含數(shù)百個(gè)光譜帶,這些光譜帶的特征信息非常豐富,并且在遙感領(lǐng)域得到了廣泛的研究。其中,高光譜圖像的分類問題一直是遙感領(lǐng)域的研究熱點(diǎn)。在傳統(tǒng)的高光譜圖像分類研究工作中,標(biāo)記樣本缺乏且難以獲取一直是一個(gè)具有挑戰(zhàn)性的問題。為了解決標(biāo)記樣本不足的問題,許多的高光譜圖像分類方法被研究。其中,介于監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)之間的半監(jiān)督學(xué)習(xí)方法由于其可以充分利用未標(biāo)記樣本,因此受到極大的關(guān)注與研究。此外,集成學(xué)習(xí)方法可以有效的合理的結(jié)合多個(gè)基本分類器從而獲得強(qiáng)分類器,分類精度可以進(jìn)一步得到提升。在傳統(tǒng)的集成學(xué)習(xí)分類方法中,在多個(gè)基本分類器的訓(xùn)練過程中,多個(gè)基本分類器之間缺乏有效的溝通與交流,沒有完全做到“博采眾長”。針對以上分析,本文提出了兩種基于集成學(xué)習(xí)的高光譜圖像分類方法:(1)一種基于多種類型的特征圖像的集成學(xué)習(xí)分類方法被提出。該方法的主要思想是:通過高斯濾波和滾動(dòng)引導(dǎo)濾波方法得到多種特征圖像,選擇支持向量機(jī)(Support Vector Machine,SVM)對特征圖像進(jìn)行分類,然后通過自適應(yīng)增強(qiáng)學(xué)習(xí)方法靈活有機(jī)的組合所選擇的特征圖像,這種組合方式不需要復(fù)雜的計(jì)算。選擇Indian Pi...

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
變量注釋表
1 緒論
    1.1 研究背景
    1.2 研究目的和意義
    1.3 分類方法研究現(xiàn)狀
    1.4 論文研究內(nèi)容與創(chuàng)新
    1.5 論文結(jié)構(gòu)
2 相關(guān)技術(shù)
    2.1 支持向量機(jī)
    2.2 高斯濾波
    2.3 滾動(dòng)引導(dǎo)濾波
    2.4 信息熵
    2.5 實(shí)驗(yàn)評價(jià)指標(biāo)與數(shù)據(jù)集
    2.6 本章小結(jié)
3 基于多特征圖像的集成學(xué)習(xí)分類方法
    3.1 方法思想
    3.2 方法步驟
    3.3 實(shí)驗(yàn)結(jié)果與分析
    3.4 本章小結(jié)
4 基于多核互學(xué)習(xí)的高光譜圖像分類方法
    4.1 方法思想
    4.2 方法步驟
    4.3 實(shí)驗(yàn)結(jié)果與分析
    4.4 本章小結(jié)
5 總結(jié)與展望
參考文獻(xiàn)
作者簡歷
致謝
學(xué)位論文數(shù)據(jù)集



本文編號：4017616