本文關(guān)鍵詞：表示模型框架下多特征信息融合的高光譜圖像分類

  更多相關(guān)文章： 局部二值模型(LBP) 最小正則子空間(NRS) Gabor特征 核 高光譜圖像分類

【摘要】：高光譜遙感數(shù)據(jù)憑借非常高的光譜分辨率,在地物分類方面存在巨大的潛力,從而在礦藏勘探,環(huán)境保護(hù)等諸多領(lǐng)域得到了廣泛的應(yīng)用。近年來(lái),隨著高光譜分類算法研究的不斷深入,融合了空間特征的分類模型成為學(xué)者們研究的熱點(diǎn)領(lǐng)域。而以往的許多研究忽視了空間特征的重要作用,以及很少對(duì)多種特征的融合策略進(jìn)行研究�；谶@種現(xiàn)狀,本文主要對(duì)多種特征在不同的層面的融合方式進(jìn)行研究,主要內(nèi)容如下：第一,從高光譜遙感數(shù)據(jù)的構(gòu)成、特性,以及應(yīng)用的領(lǐng)域及國(guó)內(nèi)外的研究現(xiàn)狀等方面,說(shuō)明了高光譜圖像分類研究的重要意義�？偨Y(jié)了高光譜遙感圖像特征提取與融合的原理,特別介紹了特征層面和決策融合的原理和經(jīng)典的方法。闡述了高光譜數(shù)據(jù)分類的原理與流程,并對(duì)分類效果的評(píng)價(jià)機(jī)制的幾個(gè)重要指標(biāo)進(jìn)行了說(shuō)明。第二,設(shè)計(jì)了一個(gè)基于多特征的加權(quán)殘差相加的融合策略。這些特征包括提取到的光譜特征、LBP和Gabor空間特征。在這個(gè)分類模型中,將每個(gè)圖像數(shù)據(jù)在分別進(jìn)行3種特征提取之后用分類器(SRC或NRS)進(jìn)行表示后的3個(gè)殘差通過(guò)加權(quán)相加的方式融合到一起,得到的最終的表示殘差值即為最后分類的依據(jù)。實(shí)驗(yàn)證明,此分類框架的分類精度遠(yuǎn)遠(yuǎn)高于只使用一種特征的分類模型。第三,提出另外一種基于加權(quán)核合并的空間特征融合策略。這是因?yàn)?基于殘差融合的多特征融合方式雖然實(shí)現(xiàn)了分類精度的提高,對(duì)以往的融合方式進(jìn)行了改進(jìn),但是在分類器的選擇上存在著局限性,過(guò)度依賴于基于表示模型的分類器。此融合策略將提取的LBP和Gabor空間特征通過(guò)復(fù)合核的方式進(jìn)行特征層面的融合。在這一分類系統(tǒng)中,兩種空間特征首先通過(guò)計(jì)算轉(zhuǎn)化為核函數(shù)的形式,并且根據(jù)Mercer核的相關(guān)性質(zhì),對(duì)兩個(gè)核函數(shù)進(jìn)行加權(quán)的合并,再通過(guò)KCRC分類器進(jìn)行分類。經(jīng)過(guò)試驗(yàn)證明其分類效果優(yōu)于原始的KCRC、LBP-KCRC和Gabor-KCRC等分類策略,實(shí)現(xiàn)了融合的效果。
【關(guān)鍵詞】：局部二值模型(LBP) 最小正則子空間(NRS) Gabor特征 核 高光譜圖像分類
【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
• abstract6-12
• 第一章 緒論12-18
• 1.1 課題背景及研究意義12
• 1.2 高光譜圖像的特性12-14
• 1.3 高光譜圖像數(shù)據(jù)研究概況14-16
• 1.4 課題的研究重點(diǎn)16
• 1.5 論文內(nèi)容與組織結(jié)構(gòu)16-18
• 第二章 高光譜遙感圖像融合及分類技術(shù)18-30
• 2.1 遙感圖像融合技術(shù)18-25
• 2.1.1 像素級(jí)圖像融合18-22
• 2.1.2 特征級(jí)圖像融合22-24
• 2.1.3 決策級(jí)圖像融合24-25
• 2.2 高光譜圖像分類25-29
• 2.2.1 監(jiān)督分類方法25-28
• 2.2.2 分類效果評(píng)價(jià)28-29
• 2.3 本章小結(jié)29-30
• 第三章 表示框架下的多特征決策融合分類模型30-50
• 3.1 光譜特征提取30-31
• 3.2 空間特征提取31-35
• 3.2.1 Gabor小波特征31-33
• 3.2.2 局部二值模型特征33-35
• 3.3 表示模型分類器35-37
• 3.3.1 最近正則化子空間分類算法36-37
• 3.3.2 稀疏表示分類器37
• 3.4 基于冗余融合的協(xié)作表示模型37-38
• 3.5 實(shí)驗(yàn)結(jié)果與分析38-48
• 3.5.1 實(shí)驗(yàn)數(shù)據(jù)介紹38-40
• 3.5.2 參數(shù)調(diào)節(jié)優(yōu)化40-43
• 3.5.3 實(shí)驗(yàn)結(jié)果分析43-48
• 3.6 本章小結(jié)48-50
• 第四章 表示框架下基于特征融合的分類模型50-60
• 4.1 核的概念50-51
• 4.2 基于核的分類器51-52
• 4.2.1 基于核的協(xié)作表示分類器51-52
• 4.2.2 基于核的稀疏表示分類器52
• 4.3 分類系統(tǒng)模型52-53
• 4.4 實(shí)驗(yàn)結(jié)果與分析53-58
• 4.4.1 參數(shù)調(diào)節(jié)53-55
• 4.4.2 實(shí)驗(yàn)結(jié)果分析55-58
• 4.5 本章小結(jié)58-60
• 第五章 結(jié)論與展望60-62
• 5.1 結(jié)論60
• 5.2 展望60-62
• 參考文獻(xiàn)62-66
• 致謝66-68
• 研究成果及發(fā)表的學(xué)術(shù)論文68-70
• 作者和導(dǎo)師簡(jiǎn)介70-72
• 附件72-73

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 孫釗;高光譜遙感的應(yīng)用[J];貴州教育學(xué)院學(xué)報(bào)(自然科學(xué));2004年04期

2 韓玲,吳漢寧;多源遙感影像數(shù)據(jù)融合的理論與技術(shù)[J];西北大學(xué)學(xué)報(bào)(自然科學(xué)版);2004年04期

3 張卡,盛業(yè)華,張書畢;遙感新技術(shù)的若干進(jìn)展及其應(yīng)用[J];遙感信息;2004年02期

4 楊哲海,韓建峰,宮大鵬,李之歆;高光譜遙感技術(shù)的發(fā)展與應(yīng)用[J];海洋測(cè)繪;2003年06期

5 夏建濤,何明一;基于SVM的高維多光譜圖像分類算法及其特性的研究[J];計(jì)算機(jī)工程;2003年13期

6 馬毅,張杰,張漢德,劉宇中;中國(guó)海洋航空高光譜遙感應(yīng)用研究進(jìn)展[J];海洋科學(xué)進(jìn)展;2002年04期

7 夏明革,何友,歐陽(yáng)文;像素級(jí)圖像融合方法與融合效果評(píng)價(jià)[J];遙感技術(shù)與應(yīng)用;2002年04期

8 申廣榮,王人潮;植被高光譜遙感的應(yīng)用研究綜述[J];上海交通大學(xué)學(xué)報(bào)(農(nóng)業(yè)科學(xué)版);2001年04期

9 程一松,胡春勝;高光譜遙感在精準(zhǔn)農(nóng)業(yè)中的應(yīng)用[J];農(nóng)業(yè)系統(tǒng)科學(xué)與綜合研究;2001年03期

10 翟國(guó)君,黃謨濤,歐陽(yáng)永忠,管錚;海洋測(cè)繪的現(xiàn)狀與發(fā)展[J];測(cè)繪通報(bào);2001年06期

，

本文編號(hào)：667710