本文關鍵詞：結合近鄰選擇的高光譜圖像分類算法研究，，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,使其在目標檢測、地物分類、污染防治以及軍事偵查等領域都具有重要應用。高光譜圖像分類是高光譜圖像處理和分析的重要研究內容,倍受研究者的關注。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算法的分類精度較低。而空間信息有效刻畫了光譜像素點及其近鄰之間關系,因此如何同時利用高光譜圖像的光譜信息和空間信息來改進分類性能成為研究者的關注焦點。為此,研究者在如何有效結合空間信息輔助原光譜特征進行分類方面開展了大量的研究工作,取得可喜的進展。但如何有效、合理利用空間信息仍是該領域的重點與難點。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研究,側重針對空間近鄰關系挖掘出有效的特征信息和設計結合光譜信息和空間信息的協同分類算法,以此提高高光譜圖像分類的精度。論文的主要研究工作如下。1.提出兩種空間預處理方式下結合空間近鄰選擇的合成核SVM高光譜圖像分類算法。兩種算法的主要思路：提取出待分類中心像素點的空間特征,并結合光譜信息改善分類結果。1)提出了結合分水嶺分割的合成核SVM高光譜分類算法(WSCSVM)。該算法采用分水嶺算法先挖掘出高光譜邊界輪廓信息,依據過分割圖自適應選擇更緊致的分割區(qū)域作為中心像素點空間近鄰并提取有效的空間特征,進而通過合成核SVM策略有效融合光譜特征和挖掘出的空間特征設計出新的高光譜分類算法；2)提出了結合最小生成樹空間近鄰選擇的合成核SVM高光譜分類算法(MSTCSVM)。該算法同時考慮空間邊界輪廓信息和中心像素點與空間近鄰點光譜的相似性,以空間近鄰的緊性和判別性為準則提取有效的空間特征,進而利用合成核SVM算法設計出有效融合光譜特征和挖掘出的空間特征的高光譜分類算法。兩種算法有各自的優(yōu)勢：WSCSVM算法一次分割便可快速給出所有像素點空間近鄰,效率高；MSTCSVM算法同時考慮梯度信息和待分類中心像素點的光譜特征,可提取更有效的空間特征,但須以像素點為中心不斷尋找近鄰,故效率相對低。IndianPines和University of Pavia(PU)兩個經典的高光譜圖像數據集上的實驗驗證了新算法的有效性。2.提出了結合空間近鄰選擇的譜空聯合kNN高光譜圖像分類算法(MSTkNN)。該算法先采用雙邊空間濾波對噪聲進行過濾,進而運用提出的改進最小生成樹空間近鄰選擇算法得到中心像素點的有效近鄰,從而可有效聯合其空間近鄰像素點的k近鄰進行分類。在Indian Pines和PU上的實驗結果表明該算法有效提高了高光譜圖像的分類精度。
【關鍵詞】：高光譜圖像 分水嶺分割 空間近鄰 合成核SVM 分類
【學位授予單位】：南京師范大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：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 國內外現狀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 預備知識17-28
• 2.1 高光譜遙感圖像簡介17-19
• 2.2 經典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27-28
• 第3章 結合近鄰選擇的合成核SVM高光譜圖像分類算法28-49
• 3.1 引言28-29
• 3.2 結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 結合最小生成樹近鄰選擇的合成核高光譜圖像分類算法(MSTCSVM)34-38
• 3.3.1 算法思想34-36
• 3.3.2 算法描述36-38
• 3.4 實驗38-48
• 3.4.1 實驗數據描述39-40
• 3.4.2 實驗設置40-41
• 3.4.3 實驗結果與分析41-48
• 3.5 本章小節(jié)48-49
• 第4章 結合近鄰選擇的譜空聯合kNN高光譜圖像分類算法(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 實驗52-57
• 4.4.1 實驗設置52-53
• 4.4.2 實驗結果與分析53-57
• 4.5 本章小結57-58
• 第5章 總結與展望58-60
• 5.1 工作總結58-59
• 5.2 工作展望59-60
• 參考文獻60-66
• 附錄66-67
• 致謝67

【相似文獻】

中國期刊全文數據庫 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支持向量數據描述方法[J];兵工學報;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[J];紅外技術;2010年04期

3 成寶芝;郭宗光;;高光譜圖像波段間相關特性研究[J];大慶師范學院學報;2013年06期

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

5 汪倩;陶鵬;;結合空間信息的高光譜圖像快速分類方法[J];微計算機信息;2010年21期

6 王立國;孫杰;肖倩;;結合空-譜信息的高光譜圖像分類方法[J];黑龍江大學自然科學學報;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別[J];江南大學學報(自然科學版);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)技術學院學報;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方法[J];紅外與毫米波學報;2004年04期

10 張綺瑋;機載高光譜遙感圖像處理軟件系統[J];紅外;2005年02期

中國重要會議論文全文數據庫 前10條

1 張兵;王向偉;鄭蘭芬;童慶禧;;高光譜圖像地物分類與識別研究[A];成像光譜技術與應用研討會論文集[C];2004年

2 高連如;張兵;孫旭;李山山;張文娟;;高光譜數據降維與分類技術研究[A];第八屆成像光譜技術與應用研討會暨交叉學科論壇文集[C];2010年

3 王成;何偉基;陳錢;;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（激光）聯合學術‘13年會論文（摘要）集[C];2013年

4 孫蕾;羅建書;;基于分類預測的高光譜遙感圖像無損壓縮[A];第一屆建立和諧人機環(huán)境聯合學術會議（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的獼猴桃硬度品質檢測[A];走中國特色農業(yè)機械化道路——中國農業(yè)機械學會2008年學術年會論文集（下冊）[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量綜合評價[A];第八屆成像光譜技術與應用研討會暨交叉學科論壇文集[C];2010年

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

8 馮維一;陳錢;何偉基;;基于小波稀疏的高光譜目標探測算法[A];黑龍江、江蘇、山東、河南、江西 五省光學（激光）聯合學術‘13年會論文（摘要）集[C];2013年

9 彭妮娜;易維寧;方勇華;;基于核函數的高光譜圖像信息提取研究[A];光子科技創(chuàng)新與產業(yè)化——長三角光子科技創(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[A];中國光學學會2010年光學大會論文集[C];2010年

中國博士學位論文全文數據庫 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];復旦大學;2014年

2 王亮亮;非線性流形結構在高光譜圖像異常檢測中的應用研究[D];國防科學技術大學;2014年

3 賀智;改進的經驗模態(tài)分解算法及其在高光譜圖像分類中的應用[D];哈爾濱工業(yè)大學;2014年

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

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

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

7 孫濤;快速多核學習分類研究及應用[D];西安電子科技大學;2015年

8 李昌國;基于譜間和校正相關性的高光譜圖像壓縮方法研究及GPU并行實現[D];成都理工大學;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;2015年

10 南一冰;星載推掃型高光譜運動成像誤差建模與高精度校正技術研究[D];北京理工大學;2015年

中國碩士學位論文全文數據庫 前10條

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

2 趙偉彥;果蔬干燥過程中的品質無損檢測技術研究[D];江南大學;2015年

3 馬亞楠;果蔬中內部害蟲的高光譜圖像檢測技術研究[D];江南大學;2015年

4 劉大洋;基于近紅外光譜和高光譜圖像技術無損識別獼猴桃膨大果[D];西北農林科技大學;2015年

5 王坤;高光譜圖像異常目標檢測及光譜成像在偽裝評估方面的應用研究[D];南京理工大學;2015年

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

7 程凱;無先驗信息的高光譜圖像小目標檢測算法研究[D];蘇州大學;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損檢測研究[D];寧夏大學;2015年

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

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

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

本文編號：493359