高光譜遙感圖像可以提供豐富詳盡的地物信息,但是由于其光譜維度高且相關性強、數(shù)據(jù)量大而標記樣本有限的特點,使得運用傳統(tǒng)遙感圖像處理技術分析高光譜圖像具有一定難度。因此,使用特征提取技術在保留高光譜圖像主要光譜信息的同時降低光譜維度,成為了高光譜遙感數(shù)據(jù)處理的重點之一。本論文針對高光譜數(shù)據(jù)波段之間相關性強的特點,以函數(shù)型數(shù)據(jù)分析為基礎,重點研究以下內(nèi)容。(1)傳統(tǒng)的高光譜特征提取算法將連續(xù)的光譜視為一組離散的向量,忽視了相鄰波段之間的強相關性。針對此問題,本文提出了一種無監(jiān)督的函數(shù)型局部保持投影算法(Functional Locality Preserving Projections,FLPP)。FLPP將光譜視作一條連續(xù)的函數(shù)曲線并保留了波段間的相關性,同時也避免了函數(shù)型主成分分析對噪聲敏感的問題。通過真實的高光譜數(shù)據(jù)實驗表明,FLPP在無標記信息的情況下能有效降低波段冗余,進而提高分類精度。(2)高光譜數(shù)據(jù)維度高且標記樣本的不足是影響高光譜圖像分類效果的直接因素之一,針對該問題,本文在FLPP的基礎上提出了一種有監(jiān)督的函數(shù)型局部保持投影算法(Supervised Functional ...

【文章頁數(shù)】：113 頁

【學位級別】：博士

【文章目錄】：
作者簡歷
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 高光譜遙感圖像特點
    1.3 高光譜圖像特征提取研究現(xiàn)狀
        1.3.1 光譜特征提取研究現(xiàn)狀
        1.3.2 空間特征提取研究現(xiàn)狀
    1.4 論文的研究內(nèi)容
    1.5 本文的組織結構
第二章 基于函數(shù)型降維算法的高光譜圖像特征提取基礎
    2.1 引言
    2.2 函數(shù)型數(shù)據(jù)簡介
    2.3 高光譜函數(shù)型數(shù)據(jù)的擬合
        2.3.1 傅里葉基(Fourier Basis)
        2.3.2 B樣條基(B-spline Basis)
        2.3.3 基函數(shù)個數(shù)m的選擇
    2.4 高光譜函數(shù)型數(shù)據(jù)的平滑
        2.4.1 基于最小二乘準則的平滑方法
        2.4.2 基于粗糙懲罰最小二乘準則的平滑方法
    2.5 本文實驗數(shù)據(jù)和性能評價指標
        2.5.1 高光譜遙感數(shù)據(jù)集介紹
        2.5.2 性能評價指標
    2.6 本章小結
第三章 一種無監(jiān)督的函數(shù)型局部保持投影算法
    3.1 引言
    3.2 相關研究
        3.2.1 主成分分析法
        3.2.2 局部保持投影法
        3.2.3 函數(shù)型主成分分析法
    3.3 函數(shù)型局部保持投影算法
    3.4 實驗結果與分析
        3.4.1 實驗設置
        3.4.2 合成數(shù)據(jù)集實驗
        3.4.3 Indian Pines、KSC和 Salinas數(shù)據(jù)實驗
    3.5 本章小結
第四章 一種有監(jiān)督的函數(shù)型局部保持投影算法
    4.1 引言
    4.2 相關研究
        4.2.1 均值濾波
        4.2.2 基于圖的Fisher分析
    4.3 有監(jiān)督的函數(shù)型局部保持投影算法
    4.4 實驗結果與分析
        4.4.1 實驗設置
        4.4.2 Indian Pines數(shù)據(jù)實驗分析
        4.4.3 KSC數(shù)據(jù)實驗分析
        4.4.4 Salinas數(shù)據(jù)實驗分析
    4.5 本章小結
第五章 一種基于高斯過程圖的判別分析算法
    5.1 引言
    5.2 相關研究
        5.2.1 高斯過程
        5.2.2 圖嵌入判別分析框架
    5.3 高斯過程圖判別分析算法
    5.4 實驗結果與分析
        5.4.1 實驗設置
        5.4.2 核函數(shù)敏感性分析
        5.4.3 Indian Pines數(shù)據(jù)實驗分析
        5.4.4 University of Pavia數(shù)據(jù)實驗分析
        5.4.5 Salinas數(shù)據(jù)實驗分析
        5.4.6 實驗討論
    5.5 本章小結
第六章 總結與展望
    6.1 本文工作總結
    6.2 未來工作展望
致謝
參考文獻



本文編號：3795859