本文關(guān)鍵詞：基于多分類器融合的高光譜圖像分類算法研究

  更多相關(guān)文章： 高光譜圖像分類 稀疏表示 分類器融合 非本地字典 聯(lián)合表達(dá)模型

【摘要】：高光譜遙感圖像分類是通過機(jī)器學(xué)習(xí)等手段利用高光譜圖像的數(shù)據(jù)特性將傳統(tǒng)光譜圖像中無法分辨的微小差異的地物通過計(jì)算機(jī)自動(dòng)區(qū)分歸類的過程,具有實(shí)際意義和實(shí)用性,受到了研究者的廣泛關(guān)注。本文的工作基于高光譜圖像像元的特征和數(shù)據(jù)結(jié)構(gòu),針對(duì)其執(zhí)行分類算法時(shí)的分類正確率較差、分類算法對(duì)像元適應(yīng)性差、對(duì)高光譜圖像空間信息利用不足等問題,做了以下三個(gè)方面研究：首先,分析稀疏表示分類器(Sparse Representation Classification, SRC)、協(xié)同表示分類器(Collaboration Representation Classification, CRC)、支持向量機(jī)(Support Vector Machine, SVM)、正則化最近鄰子空間分類器(Nearest Regularized Subspace, NRS)的分類算法的理論及優(yōu)缺點(diǎn)。將基本分類器與高光譜圖像分類結(jié)合,研究進(jìn)行融合的可能性和可行性,提出使用串級(jí)結(jié)構(gòu)和并聯(lián)結(jié)構(gòu)來進(jìn)行融合,利用類集減少、重新判定、殘差融合思想構(gòu)建融合分類器。其次,本文針對(duì)SRC和NRS存在空間相關(guān)信息利用不足,分類精度低問題,提出利用空間聯(lián)合表示模型來將其改進(jìn)為聯(lián)合稀疏表示分類器(spatial Joint Sparse Representation Classification, JSRC)和聯(lián)合正則化最近鄰子空間分類器(spatial Joint Nearest Regularized Subspace,JNRS);針對(duì)JSRC和JNRS在分類中存在樣本適應(yīng)性差的問題,提出將SVM作為JSRC和JNRS的后級(jí)分類器組成JSRC-SVM和JNRS-SVM兩級(jí)分類器來對(duì)高光譜圖像進(jìn)行分類。結(jié)果顯示,改進(jìn)算法提升了對(duì)高光譜圖像的分類精度,且分類時(shí)間和原算法相近。再次,針對(duì)SRC使用的L1范數(shù)和CRC使用的L2范數(shù)在實(shí)際分類時(shí)存在的選取原子時(shí)或過于稀疏不能很好的表達(dá)類間信息,或不能很好的選取主要重構(gòu)原子的問題,本文利用兩者的互補(bǔ)性,實(shí)現(xiàn)了殘差融合的分類器(residual Fusion Representation Classification,FRC)。FRC是并聯(lián)分類器,其通過平衡因子來實(shí)現(xiàn)對(duì)殘差的融合。實(shí)驗(yàn)顯示FRC能融合各方法的優(yōu)勢(shì),取得較高的分類精度,且開銷不變。最后,針對(duì)基于并聯(lián)結(jié)構(gòu)的FRC對(duì)高光譜遙感圖像分類時(shí)存在的空間信息利用不足和字典類別信息利用不足,提出了兩種改進(jìn)算法：1、空間聯(lián)合表示殘差融合分類器(spatial Joint residual Fusion Representation Classification,JFRC),利用高光譜圖像相鄰像元可能相似的特性進(jìn)行改進(jìn)。結(jié)果顯示,JFRC將分類正確率提升。2、最近鄰非本地字典的殘差融合分類器(Non-local Dictionary Residual Fusion Representation Classification, NLD-FRC),其利用像元和本地字典的自相似性。結(jié)果表明,NLD-FRC提高了對(duì)圖像的分類精度,減小了字典大小和計(jì)算量,與原方法相比改進(jìn)算法提高了分類器的性能。
【關(guān)鍵詞】：高光譜圖像分類 稀疏表示 分類器融合 非本地字典 聯(lián)合表達(dá)模型
【學(xué)位授予單位】：北京化工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP751
【目錄】：

• 摘要4-6
• ABSTRACT6-15
• 第一章 緒論15-27
• 1.1 研究背景及意義15-18
• 1.1.1 高光譜遙感技術(shù)概述16-17
• 1.1.2 高光譜遙感圖像應(yīng)用現(xiàn)狀17-18
• 1.2 高光譜圖像分類技術(shù)的研究概況18-22
• 1.2.1 高光譜遙感圖像分類技術(shù)18-20
• 1.2.2 高光譜圖像分類國內(nèi)外研究現(xiàn)狀20-22
• 1.3 圖像分類中多分類器融合方法概述22-24
• 1.3.1 模式識(shí)別中的多分類器融合方法22
• 1.3.2 多分類器融合方法研究現(xiàn)狀22-23
• 1.3.3 多分類器融合方法在高光譜圖像分類中的應(yīng)用23-24
• 1.4 課題研究?jī)?nèi)容及創(chuàng)新點(diǎn)24-25
• 1.4.1 課題主要研究?jī)?nèi)容24
• 1.4.2 課題的創(chuàng)新點(diǎn)24-25
• 1.5 論文的組織結(jié)構(gòu)25-27
• 第二章 高光譜圖像分類及分類器融合方法27-43
• 2.1 引言27
• 2.2 高光譜圖像數(shù)據(jù)27-33
• 2.2.1 高光譜圖像數(shù)據(jù)數(shù)據(jù)源28-32
• 2.2.2 高光譜圖像數(shù)據(jù)的數(shù)據(jù)特點(diǎn)32-33
• 2.3 高光譜圖像分類的基本理論33-36
• 2.3.1 高光譜圖像分類的基本原則和分類流程34
• 2.3.2 高光譜圖像分類的評(píng)價(jià)方法34-36
• 2.4 分類器的定義及設(shè)計(jì)準(zhǔn)則36-38
• 2.5 分類器融合38-43
• 2.5.1 多分類器融合可行性問題38-39
• 2.5.2 多分類器融合方法39-43
• 第三章 基于兩級(jí)分類器融合的高光譜圖像分類算法研究43-67
• 3.1 引言43-44
• 3.2 子分類器算法及改進(jìn)方法44-53
• 3.2.1 稀疏表示分類算法44-46
• 3.2.2 正則化最近鄰子空間分類算法46-48
• 3.2.3 SVM算法48-50
• 3.2.4 基于聯(lián)合表示的分類算法改進(jìn)50-53
• 3.3 基于兩級(jí)分類器融合的高光譜圖像分類53-55
• 3.3.1 兩級(jí)分類器融合方法的思想53
• 3.3.2 基于JSRC-SVM的高光譜圖像分類53-55
• 3.3.3 基于JNRS-SVM的高光譜圖像分類55
• 3.4 兩級(jí)分類器方法的高光譜圖像分類實(shí)驗(yàn)55-56
• 3.5 分類實(shí)驗(yàn)結(jié)果分析56-66
• 3.5.1 參數(shù)整定及調(diào)優(yōu)57-58
• 3.5.2 分類效果評(píng)價(jià)58-64
• 3.5.3 算法復(fù)雜度分析64-66
• 3.6 本章小結(jié)66-67
• 第四章 基于改進(jìn)殘差融合的高光譜圖像分類算法研究67-83
• 4.1 引言67-68
• 4.2 基于殘差融合的分類器融合分類算法68-70
• 4.2.1 殘差融合分類算法的基本原理68-69
• 4.2.2 殘差融合的分類算法步驟69-70
• 4.3 改進(jìn)型殘差融合方法70-72
• 4.3.1 基于最近鄰字典優(yōu)化思想的改進(jìn)70-71
• 4.3.2 基于聯(lián)合表達(dá)方法的改進(jìn)71-72
• 4.4 改進(jìn)型殘差融合的分類器融合算法72-73
• 4.4.1 基于NLD-FRC的高光譜圖像分類算法72
• 4.4.2 基于JFRC殘差融合的高光譜圖像分類算法72-73
• 4.5 基于改進(jìn)型殘差融合方法的高光譜圖像分類實(shí)驗(yàn)73-74
• 4.6 分類實(shí)驗(yàn)結(jié)果分析74-82
• 4.6.1 參數(shù)整定及調(diào)優(yōu)74-77
• 4.6.2 分類效果評(píng)價(jià)77-81
• 4.6.3 算法復(fù)雜度分析81-82
• 4.7 本章小結(jié)82-83
• 第五章 結(jié)論與展望83-85
• 5.1 完成工作的總結(jié)83-84
• 5.2 展望84-85
• 參考文獻(xiàn)85-91
• 致謝91-93
• 研究成果及發(fā)表的學(xué)術(shù)論文93-95
• 作者及導(dǎo)師簡(jiǎn)介95-96
• 附件96-97

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前9條

1 杜培軍;夏俊士;薛朝輝;譚琨;蘇紅軍;鮑蕊;;高光譜遙感影像分類研究進(jìn)展[J];遙感學(xué)報(bào);2016年02期

2 張雅瓊;張文娟;陳正超;張兵;;基于天宮一號(hào)高光譜成像儀的替代光譜定標(biāo)方法精度對(duì)比分析[J];紅外與毫米波學(xué)報(bào);2015年03期

3 練秋生;張鈞芹;陳書貞;;基于兩級(jí)字典與分頻帶字典的圖像超分辨率算法[J];自動(dòng)化學(xué)報(bào);2013年08期

4 李民;程建;李小文;樂翔;;非局部學(xué)習(xí)字典的圖像修復(fù)[J];電子與信息學(xué)報(bào);2011年11期

5 彭正林;毛先成;劉文毅;何美香;;基于多分類器組合的遙感影像分類方法研究[J];國土資源遙感;2011年02期

6 岳躍民;王克林;張兵;陳正超;;高光譜遙感在生態(tài)系統(tǒng)研究中的應(yīng)用進(jìn)展[J];遙感技術(shù)與應(yīng)用;2008年04期

7 蔣林波;蔡立軍;易葉青;;一個(gè)新的多分類器組合模型[J];計(jì)算機(jī)工程與應(yīng)用;2008年17期

8 李石華,王金亮,畢艷,陳姚,朱妙園,楊帥,朱佳;遙感圖像分類方法研究綜述[J];國土資源遙感;2005年02期

9 蔣艷凰,楊學(xué)軍;多層組合分類器研究[J];計(jì)算機(jī)工程與科學(xué);2004年06期

，

本文編號(hào)：602621