高光譜遙感是影像與光譜合一為特征的新型遙感技術(shù),是近年來地球觀測(cè)技術(shù)所取得的重要突破之一,在現(xiàn)代軍事、礦物勘測(cè)、精確農(nóng)業(yè)及環(huán)境監(jiān)控等領(lǐng)域有著廣泛的應(yīng)用。高光譜遙感中大量的波段數(shù)據(jù)可為人們探測(cè)地物提供豐富信息,對(duì)于后續(xù)的地物分類和目標(biāo)識(shí)別十分有益。但是隨著波段數(shù)目的增多,導(dǎo)致了信息冗余和數(shù)據(jù)處理難度的增加,如何從高光譜大量波段數(shù)據(jù)中選擇有效波段,使其在保持有效分類信息的同時(shí)提升數(shù)據(jù)處理的速度成為高光譜遙感分類領(lǐng)域的研究熱點(diǎn)。本論文基于高光譜圖像固有的空間維和光譜維低秩特性,研究利用低秩表示模型對(duì)高光譜分類數(shù)據(jù)進(jìn)行波段選擇,實(shí)現(xiàn)高光譜圖像的降維處理。具體來說,（1）提出了一種基于低秩表示與圖結(jié)構(gòu)的高光譜圖像波段選擇方法（Low Rank Representation Band Selection,LRRBS）,該算法首先構(gòu)建了高光譜圖像的低秩表示模型,利用求解的低秩系數(shù)進(jìn)行圖結(jié)構(gòu)表示,接著利用譜聚類算法將波段劃分為若干子集,最后通過在子集內(nèi)設(shè)計(jì)波段選擇準(zhǔn)則,得到子集內(nèi)最顯著的波段。（2）提出了一種基于超像素分割約束下低秩表示的高光譜波段選擇方法（Superpixel Segmentatio... 

【文章來源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：78 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．１高光譜圖像示例圖??Ｆｉｇ．?１．１?Ｓａｍｐｌｅ?ｈｙｐｅｒｓｐｅｃｔｒａｌ?ｉｍａｇｅ??

主要是利用低維數(shù)據(jù)來有效表達(dá)高維數(shù)據(jù)信息，它能夠有效??地減少運(yùn)算量，降低計(jì)算復(fù)雜度以及改善分類效率、提高分類精度，在高光譜圖像分類??應(yīng)用中具有非常重要的作用。高光譜數(shù)據(jù)降維方法主要分為兩類：特征提取和波段選擇。??￣??ｆ?Ｋ?！?，?Ｋ?＿依據(jù)某一標(biāo)準(zhǔn)選擇性質(zhì)最：??｜?Ｉ?＞?！?特麵擇?＜?突出的特征??圖??像??聲?１?，?Ｋ?，?＇?／，???１??？?Ｎ?經(jīng)己有特征的某種變換獲??Ｕ?Ｊ?．?１，持藏?＇?丨一＿麵」??圖１．２高光譜圖像降維基本框架??Ｆｉｇ．?１．２?Ｈｙｐｅｒｓｐｅｃｔｒａｌ?Ｉｍａｇｅ?ｄｉｍｅｎｓｉｏｎ?ｒｅｄｕｃｔｉｏｎ?ｆｒａｍｅｗｏｒｋ??特征提取是通過原光譜空間或者其子空間的一種數(shù)學(xué)變換，來實(shí)現(xiàn)信息綜合、：特征??增強(qiáng)和光譜減維的過程Ｗ，相對(duì)比較復(fù)雜，計(jì)算量較大，同時(shí)在特征提取的過程中會(huì)對(duì)??原始的光譜數(shù)據(jù)造成損壞，對(duì)后續(xù)的應(yīng)用如分類等造成不良影響；特征選擇算法是將原??始高光譜數(shù)據(jù)中比較顯著、信息量較大的波段選擇出來。雖然兩種方式都能夠達(dá)到對(duì)高??光譜圖像降維的目的，但是波段選擇更能夠保留高光譜數(shù)據(jù)原始特征的空間特征和光譜??特征，因此在相關(guān)研究中備受重視，成為了高光譜圖像處理研究領(lǐng)域的熱門問題，??在基于波段的信息量準(zhǔn)則方面，Ｃｈａｖｅｚｅｔ．ａｌ提出了最佳指數(shù)法（Ｏｐｔｉｍｕｍ?Ｉｎｄｅｘ??Ｆａｃｔｏｒ，?ＯＩＦ）Ｗ，該方法主要是用來計(jì)算不同波段構(gòu)成波段集后所反映的信息量，具體步??驟是先獲得波段之間的標(biāo)準(zhǔn)差和相關(guān)矩陣，然后得到全部組合的波段集，獲取全部波段??集的ＯＩＦ值，由于ＯＩＦ的值隨著波段間的相關(guān)性的增大而減少

基于低秩表示的高光譜圖像波段選擇方法研究?＇??Ｉ?－?Ｈｉ?ＨｌＨ??（ａ）原始數(shù)據(jù)?（ｂ）低秩部分?（ｃ）稀疏部分??圖２．１?ＲＰＣＡ示意圖??Ｆｉｇ．?２．１?Ｓｃｈｅｍａｔｉｃ?Ｄｉａｇｒａｍ?ｏｆ?ＲＰＣＡ??當(dāng)稀疏矩陣￡中的元素服從高斯分布時(shí)可以通過主成分分析（Ｐｒｉｎｃｉｐａｌ?Ｃｏｍｐｏｎｅｎｔ??Ａｎａｌｙｓｉｓ，?ＰＣＡ）［２４％法來求解得到Ｘ，但若￡是稀疏的，ＰＣＡ將不再適用。此時(shí)，優(yōu)??化問題變?yōu)槿缦碌哪Ｐ停玻玻??ｍｉｎ（ｒａ，７Ａ：（Ｘ），｜｜?￡１丨０）?ｓ．ｔ．?Ｄ?－?Ｘ?＋?Ｅ?（２．２）??引入平衡參數(shù)／Ｕ將上述優(yōu)化問題變成單目標(biāo)優(yōu)化問題，同時(shí)利用矩陣的核范數(shù)和??／ｕ范數(shù)分別對(duì)秩函數(shù)撕汝＃）和０范數(shù)ＩＩ魂進(jìn)行凸松她，得到如下優(yōu)化問題：??ｍｉｎｌｌ?ＸＩＩ．?＋?１１１?ｆＩＬ?ｓ．ｔ．?Ｄ?＝?Ｘ?＋?Ｅ?（２．３）??Ｘ．Ｅ?，??其中ＩＩＸＩＬ為矩陣Ｘ的核范數(shù)，其值等于矩陣Ａ：的奇異值之和，上述優(yōu)化問題被稱??為魯棒主成分分析（ＲＰＣＡ）。??（２）低秩表示??矩陣的低秩表示是將數(shù)據(jù)矩陣Ｘ表示成基矩陣Ｚ）下的線性組合，即Ｘ?＝?Ｚ）?＊?Ｚ，并??希望該系數(shù)矩陣Ｚ是低秩的［２５］。為此需要求解下面的優(yōu)化問題：??ｍｉｎ?ｒａｎｋ（Ｚ）?ｓ．ｔ．?Ｘ?＝?ＤＺ?（２．４）??７．??將上述優(yōu)化問題進(jìn)行凸松弛，將ｒａｄ（Ｚ）變成核函數(shù)的形式，得到如下表達(dá)式：??ｍｉｎｌｌ?Ｚｌｌ，，?ｓ．ｔ．?Ｘ?＝?ＤＺ?（２．５）??ｚ??通常情況下，會(huì)在模型當(dāng)中添加系數(shù)項(xiàng)來，應(yīng)對(duì)數(shù)據(jù)中出現(xiàn)的噪聲點(diǎn)，使模型具有??魯棒性，則一個(gè)更加合理的低秩表示模型［２６］為：

【參考文獻(xiàn)】：
期刊論文
[1]基于低秩表示的魯棒判別特征子空間學(xué)習(xí)模型[J]. 李驁,劉鑫,陳德運(yùn),張英濤,孫廣路.  電子與信息學(xué)報(bào). 2020(05)
[2]基于非局部相似聯(lián)合低秩表示的高光譜圖像去噪[J]. 張顯,葉軍.  計(jì)算機(jī)科學(xué). 2020(01)
[3]K-Means聚類算法研究綜述[J]. 楊俊闖,趙超.  計(jì)算機(jī)工程與應(yīng)用. 2019(23)
[4]基于矩陣低秩稀疏分解的圖像去噪算法[J]. 王雪,靳伍銀.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(10)
[5]低秩分塊矩陣的核近似[J]. 王中元,劉驚雷.  智能系統(tǒng)學(xué)報(bào). 2019(06)
[6]基于壓縮感知的加權(quán)MCA地震數(shù)據(jù)重構(gòu)方法[J]. 孫苗苗,李振春,李志娜,李慶洋,李闖,張懷榜.  地球物理學(xué)報(bào). 2019(03)
[7]基于非局部低秩和加權(quán)全變分的圖像壓縮感知重構(gòu)算法[J]. 趙輝,張靜,張樂,劉瑩莉,張?zhí)祢U.  電子與信息學(xué)報(bào). 2019(08)
[8]基于近鄰傳播算法的高光譜波段選擇[J]. 任智偉,吳玲達(dá).  艦船電子工程. 2018(09)
[9]基于壓縮感知的地震數(shù)據(jù)重建[J]. 舒國旭,呂公河,呂堯,石太昆,邸志欣,霍守東.  石油物探. 2018(04)
[10]基于信息熵的混合屬性數(shù)據(jù)譜聚類算法[J]. 姜智涵,朱軍,周曉鋒,李帥.  計(jì)算機(jī)應(yīng)用研究. 2019(08)

博士論文
[1]低秩分解及其在計(jì)算機(jī)視覺中的應(yīng)用[D]. 郭鍇凌.華南理工大學(xué) 2017



本文編號(hào)：3473121