本文關(guān)鍵詞：結(jié)合近鄰選擇的高光譜圖像分類(lèi)算法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：高光譜圖像豐富的光譜信息,使其在目標(biāo)檢測(cè)、地物分類(lèi)、污染防治以及軍事偵查等領(lǐng)域都具有重要應(yīng)用。高光譜圖像分類(lèi)是高光譜圖像處理和分析的重要研究?jī)?nèi)容,倍受研究者的關(guān)注。受“同物異譜”、“同譜異物”以及高維小樣本等因素的影響,僅利用光譜信息的早期高光譜圖像分類(lèi)算法的分類(lèi)精度較低。而空間信息有效刻畫(huà)了光譜像素點(diǎn)及其近鄰之間關(guān)系,因此如何同時(shí)利用高光譜圖像的光譜信息和空間信息來(lái)改進(jìn)分類(lèi)性能成為研究者的關(guān)注焦點(diǎn)。為此,研究者在如何有效結(jié)合空間信息輔助原光譜特征進(jìn)行分類(lèi)方面開(kāi)展了大量的研究工作,取得可喜的進(jìn)展。但如何有效、合理利用空間信息仍是該領(lǐng)域的重點(diǎn)與難點(diǎn)。為此,本文圍繞高光譜圖像空間信息的有效挖掘與利用展開(kāi)研究,側(cè)重針對(duì)空間近鄰關(guān)系挖掘出有效的特征信息和設(shè)計(jì)結(jié)合光譜信息和空間信息的協(xié)同分類(lèi)算法,以此提高高光譜圖像分類(lèi)的精度。論文的主要研究工作如下。1.提出兩種空間預(yù)處理方式下結(jié)合空間近鄰選擇的合成核SVM高光譜圖像分類(lèi)算法。兩種算法的主要思路：提取出待分類(lèi)中心像素點(diǎn)的空間特征,并結(jié)合光譜信息改善分類(lèi)結(jié)果。1)提出了結(jié)合分水嶺分割的合成核SVM高光譜分類(lèi)算法(WSCSVM)。該算法采用分水嶺算法先挖掘出高光譜邊界輪廓信息,依據(jù)過(guò)分割圖自適應(yīng)選擇更緊致的分割區(qū)域作為中心像素點(diǎn)空間近鄰并提取有效的空間特征,進(jìn)而通過(guò)合成核SVM策略有效融合光譜特征和挖掘出的空間特征設(shè)計(jì)出新的高光譜分類(lèi)算法；2)提出了結(jié)合最小生成樹(shù)空間近鄰選擇的合成核SVM高光譜分類(lèi)算法(MSTCSVM)。該算法同時(shí)考慮空間邊界輪廓信息和中心像素點(diǎn)與空間近鄰點(diǎn)光譜的相似性,以空間近鄰的緊性和判別性為準(zhǔn)則提取有效的空間特征,進(jìn)而利用合成核SVM算法設(shè)計(jì)出有效融合光譜特征和挖掘出的空間特征的高光譜分類(lèi)算法。兩種算法有各自的優(yōu)勢(shì)：WSCSVM算法一次分割便可快速給出所有像素點(diǎn)空間近鄰,效率高；MSTCSVM算法同時(shí)考慮梯度信息和待分類(lèi)中心像素點(diǎn)的光譜特征,可提取更有效的空間特征,但須以像素點(diǎn)為中心不斷尋找近鄰,故效率相對(duì)低。IndianPines和University of Pavia(PU)兩個(gè)經(jīng)典的高光譜圖像數(shù)據(jù)集上的實(shí)驗(yàn)驗(yàn)證了新算法的有效性。2.提出了結(jié)合空間近鄰選擇的譜空聯(lián)合kNN高光譜圖像分類(lèi)算法(MSTkNN)。該算法先采用雙邊空間濾波對(duì)噪聲進(jìn)行過(guò)濾,進(jìn)而運(yùn)用提出的改進(jìn)最小生成樹(shù)空間近鄰選擇算法得到中心像素點(diǎn)的有效近鄰,從而可有效聯(lián)合其空間近鄰像素點(diǎn)的k近鄰進(jìn)行分類(lèi)。在Indian Pines和PU上的實(shí)驗(yàn)結(jié)果表明該算法有效提高了高光譜圖像的分類(lèi)精度。
【關(guān)鍵詞】：高光譜圖像 分水嶺分割 空間近鄰 合成核SVM 分類(lèi)
【學(xué)位授予單位】：南京師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：TP751
【目錄】：

• 摘要4-6
• Abstract6-10
• 第1章 緒論10-17
• 1.1 研究意義10-11
• 1.2 國(guó)內(nèi)外現(xiàn)狀11-15
• 1.3 論文的主要工作15-16
• 1.4 論文的章節(jié)安排16-17
• 第2章 預(yù)備知識(shí)17-28
• 2.1 高光譜遙感圖像簡(jiǎn)介17-19
• 2.2 經(jīng)典SVM模型19-22
• 2.3 分水嶺分割算法22-27
• 2.3.1 分水嶺的基本概念22-24
• 2.3.2 分水嶺分割算法24-26
• 2.3.3 高光譜圖像的分水嶺分割算法26-27
• 2.4 本章小結(jié)27-28
• 第3章 結(jié)合近鄰選擇的合成核SVM高光譜圖像分類(lèi)算法28-49
• 3.1 引言28-29
• 3.2 結(jié)合分水嶺分割的合成核SVM算法(WSCSVM)29-34
• 3.2.1 算法思想29-32
• 3.2.2 算法描述32-34
• 3.3 結(jié)合最小生成樹(shù)近鄰選擇的合成核高光譜圖像分類(lèi)算法(MSTCSVM)34-38
• 3.3.1 算法思想34-36
• 3.3.2 算法描述36-38
• 3.4 實(shí)驗(yàn)38-48
• 3.4.1 實(shí)驗(yàn)數(shù)據(jù)描述39-40
• 3.4.2 實(shí)驗(yàn)設(shè)置40-41
• 3.4.3 實(shí)驗(yàn)結(jié)果與分析41-48
• 3.5 本章小節(jié)48-49
• 第4章 結(jié)合近鄰選擇的譜空聯(lián)合kNN高光譜圖像分類(lèi)算法(MSTkNN)49-58
• 4.1 引言49
• 4.2 算法思想49-51
• 4.3 算法描述51-52
• 4.4 實(shí)驗(yàn)52-57
• 4.4.1 實(shí)驗(yàn)設(shè)置52-53
• 4.4.2 實(shí)驗(yàn)結(jié)果與分析53-57
• 4.5 本章小結(jié)57-58
• 第5章 總結(jié)與展望58-60
• 5.1 工作總結(jié)58-59
• 5.2 工作展望59-60
• 參考文獻(xiàn)60-66
• 附錄66-67
• 致謝67

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 諶德榮;宮久路;陳乾;曹旭平;;基于樣本分割的快速高光譜圖像異常檢測(cè)支持向量數(shù)據(jù)描述方法[J];兵工學(xué)報(bào);2008年09期

2 蒲曉豐;雷武虎;張林虎;蔣奇材;;基于Fukunaga-Koontz變換的高光譜圖像異常檢測(cè)[J];紅外技術(shù);2010年04期

3 成寶芝;郭宗光;;高光譜圖像波段間相關(guān)特性研究[J];大慶師范學(xué)院學(xué)報(bào);2013年06期

4 楊龍;易宏杰;李因彥;;遙感高光譜圖像赤潮識(shí)別[J];傳感器世界;2007年05期

5 汪倩;陶鵬;;結(jié)合空間信息的高光譜圖像快速分類(lèi)方法[J];微計(jì)算機(jī)信息;2010年21期

6 王立國(guó);孫杰;肖倩;;結(jié)合空-譜信息的高光譜圖像分類(lèi)方法[J];黑龍江大學(xué)自然科學(xué)學(xué)報(bào);2010年06期

7 馮朝麗;朱啟兵;朱曉;黃敏;;基于光譜特征的玉米品種高光譜圖像識(shí)別[J];江南大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年02期

8 付歡;龍海南;韓曉霞;;基于冗余字典的高光譜圖像的稀疏分解[J];河北軟件職業(yè)技術(shù)學(xué)院學(xué)報(bào);2013年04期

9 耿修瑞,張霞,陳正超,張兵,鄭蘭芬,童慶禧;一種基于空間連續(xù)性的高光譜圖像分類(lèi)方法[J];紅外與毫米波學(xué)報(bào);2004年04期

10 張綺瑋;機(jī)載高光譜遙感圖像處理軟件系統(tǒng)[J];紅外;2005年02期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前10條

1 張兵;王向偉;鄭蘭芬;童慶禧;;高光譜圖像地物分類(lèi)與識(shí)別研究[A];成像光譜技術(shù)與應(yīng)用研討會(huì)論文集[C];2004年

2 高連如;張兵;孫旭;李山山;張文娟;;高光譜數(shù)據(jù)降維與分類(lèi)技術(shù)研究[A];第八屆成像光譜技術(shù)與應(yīng)用研討會(huì)暨交叉學(xué)科論壇文集[C];2010年

3 王成;何偉基;陳錢(qián);;基于波段重組和小波變換的高光譜圖像嵌入式壓縮方法[A];黑龍江、江蘇、山東、河南、江西 五省光學(xué)（激光）聯(lián)合學(xué)術(shù)‘13年會(huì)論文（摘要）集[C];2013年

4 孫蕾;羅建書(shū);;基于分類(lèi)預(yù)測(cè)的高光譜遙感圖像無(wú)損壓縮[A];第一屆建立和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2005）論文集[C];2005年

5 楊勇;劉木華;鄒小蓮;苗蓬勃;趙珍珍;;基于高光譜圖像技術(shù)的獼猴桃硬度品質(zhì)檢測(cè)[A];走中國(guó)特色農(nóng)業(yè)機(jī)械化道路——中國(guó)農(nóng)業(yè)機(jī)械學(xué)會(huì)2008年學(xué)術(shù)年會(huì)論文集（下冊(cè)）[C];2008年

6 張曉紅;張立福;王晉年;童慶禧;;HJ-1A衛(wèi)星高光譜遙感圖像質(zhì)量綜合評(píng)價(jià)[A];第八屆成像光譜技術(shù)與應(yīng)用研討會(huì)暨交叉學(xué)科論壇文集[C];2010年

7 高東生;高連知;;基于獨(dú)立分量分析的高光譜圖像目標(biāo)盲探測(cè)方法研究[A];國(guó)家安全地球物理叢書(shū)（八）——遙感地球物理與國(guó)家安全[C];2012年

8 馮維一;陳錢(qián);何偉基;;基于小波稀疏的高光譜目標(biāo)探測(cè)算法[A];黑龍江、江蘇、山東、河南、江西 五省光學(xué)（激光）聯(lián)合學(xué)術(shù)‘13年會(huì)論文（摘要）集[C];2013年

9 彭妮娜;易維寧;方勇華;;基于核函數(shù)的高光譜圖像信息提取研究[A];光子科技創(chuàng)新與產(chǎn)業(yè)化——長(zhǎng)三角光子科技創(chuàng)新論壇暨2006年安徽博士科技論壇論文集[C];2006年

10 蒲曉豐;雷武虎;黃濤;王迪;;基于穩(wěn)健背景子空間的高光譜圖像異常檢測(cè)[A];中國(guó)光學(xué)學(xué)會(huì)2010年光學(xué)大會(huì)論文集[C];2010年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 普晗曄;高光譜遙感圖像的解混理論和方法研究[D];復(fù)旦大學(xué);2014年

2 王亮亮;非線(xiàn)性流形結(jié)構(gòu)在高光譜圖像異常檢測(cè)中的應(yīng)用研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2014年

3 賀智;改進(jìn)的經(jīng)驗(yàn)?zāi)B(tài)分解算法及其在高光譜圖像分類(lèi)中的應(yīng)用[D];哈爾濱工業(yè)大學(xué);2014年

4 魏然;基于成像機(jī)理分析的高光譜圖像信息恢復(fù)研究[D];哈爾濱工業(yè)大學(xué);2015年

5 葉珍;高光譜圖像特征提取與分類(lèi)算法研究[D];西北工業(yè)大學(xué);2015年

6 馮婕;基于軟計(jì)算和互信息理論的遙感圖像地物分類(lèi)[D];西安電子科技大學(xué);2014年

7 孫濤;快速多核學(xué)習(xí)分類(lèi)研究及應(yīng)用[D];西安電子科技大學(xué);2015年

8 李昌國(guó);基于譜間和校正相關(guān)性的高光譜圖像壓縮方法研究及GPU并行實(shí)現(xiàn)[D];成都理工大學(xué);2015年

9 徐速;基于壓縮感知的高光譜圖像稀疏解混方法研究[D];重慶大學(xué);2015年

10 南一冰;星載推掃型高光譜運(yùn)動(dòng)成像誤差建模與高精度校正技術(shù)研究[D];北京理工大學(xué);2015年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 豐爍;高光譜圖像波段選取問(wèn)題的改進(jìn)算法研究[D];昆明理工大學(xué);2015年

2 趙偉彥;果蔬干燥過(guò)程中的品質(zhì)無(wú)損檢測(cè)技術(shù)研究[D];江南大學(xué);2015年

3 馬亞楠;果蔬中內(nèi)部害蟲(chóng)的高光譜圖像檢測(cè)技術(shù)研究[D];江南大學(xué);2015年

4 劉大洋;基于近紅外光譜和高光譜圖像技術(shù)無(wú)損識(shí)別獼猴桃膨大果[D];西北農(nóng)林科技大學(xué);2015年

5 王坤;高光譜圖像異常目標(biāo)檢測(cè)及光譜成像在偽裝評(píng)估方面的應(yīng)用研究[D];南京理工大學(xué);2015年

6 王啟聰;高光譜圖像分類(lèi)的GPU并行優(yōu)化研究[D];南京理工大學(xué);2015年

7 程凱;無(wú)先驗(yàn)信息的高光譜圖像小目標(biāo)檢測(cè)算法研究[D];蘇州大學(xué);2015年

8 李秩期;基于高光譜及多信息融合的馬鈴薯外部缺陷無(wú)損檢測(cè)研究[D];寧夏大學(xué);2015年

9 王健;基于高光譜圖像的馬鈴薯形狀及重量分類(lèi)識(shí)別建模研究[D];寧夏大學(xué);2015年

10 吳蓓芬;偏振高光譜圖像場(chǎng)景仿真及分類(lèi)方法研究[D];哈爾濱工業(yè)大學(xué);2015年

  本文關(guān)鍵詞：結(jié)合近鄰選擇的高光譜圖像分類(lèi)算法研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：493359