高光譜圖像分類問題是高光譜遙感領(lǐng)域中非常重要的研究課題,在民用和軍用等方面均具有廣泛的實(shí)用價值和應(yīng)用前景。如何有效地綜合考慮像元的光譜特征信息和空間結(jié)構(gòu)信息是提升高光譜圖像分類算法精度的關(guān)鍵。本文對基于空譜聯(lián)合模型的高光譜分類算法進(jìn)行了深入研究,主要創(chuàng)新工作如下:首先,本文將最近子空間算法擴(kuò)展到高光譜圖像分類領(lǐng)域,提出了聯(lián)合魯棒最近子空間分類模型。該算法通過在聯(lián)合子空間模型中引入加性稀疏噪聲來考慮鄰域像元矩陣中的異常噪聲,并定義魯棒最近子空間距離來度量鄰域像元樣本矩陣與每類訓(xùn)練樣本集合間的差異。在此基礎(chǔ)上,本文提出了魯棒語義原型學(xué)習(xí)算法通過迭代優(yōu)化的方式獲得對訓(xùn)練樣本更加有效的原型表示。實(shí)驗(yàn)結(jié)果表明,本文所提出的聯(lián)合魯棒最近子空間距離和魯棒語義原型算法均能逐步提升高光譜圖像分類算法精度。其次,本文針對如何有效獲得及利用表示系數(shù)的問題,提出了基于兩階段空譜聯(lián)合表示模型的高光譜分類框架。本文提出了聯(lián)合協(xié)同表示模型和聯(lián)合結(jié)構(gòu)化稀疏表示模型,并給出了相應(yīng)的優(yōu)化求解方案。在此基礎(chǔ)上,本文將上述模型獲得的表示系數(shù)作為新的特征用來訓(xùn)練分類器模型。在測試過程中,將聯(lián)合表示模型的分類概率輸出和分類器模型...

【文章頁數(shù)】：119 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 高光譜圖像分類概述
    1.3 國內(nèi)外研究現(xiàn)狀
    1.4 相關(guān)算法綜述
        1.4.1 基于空譜特征提取的高光譜圖像分類
        1.4.2 基于核融合的高光譜圖像分類
        1.4.3 基于半監(jiān)督學(xué)習(xí)的高光譜圖像分類
        1.4.4 基于聯(lián)合表示模型的高光譜圖像分類
    1.5 實(shí)驗(yàn)數(shù)據(jù)集
        1.5.1 Indian Pines數(shù)據(jù)集
        1.5.2 Univers of Pavia數(shù)據(jù)集
        1.5.3 Kennedy Space Center數(shù)據(jù)集
    1.6 評估準(zhǔn)則
        1.6.1 混淆矩陣
        1.6.2 整體精度
        1.6.3 平均精度
        1.6.4 Kappa系數(shù)
    1.7 本文研究內(nèi)容與組織結(jié)構(gòu)
2 基于魯棒聯(lián)合最近子空間的高光譜圖像分類
    2.1 引言
    2.2 最近子空間算法
    2.3 魯棒聯(lián)合最近子空間
        2.3.1 聯(lián)合最近子空間
        2.3.2 魯棒聯(lián)合最近子空間
    2.4 魯棒語義原型學(xué)習(xí)
    2.5 總體分類框架
    2.6 實(shí)驗(yàn)結(jié)果及分析
        2.6.1 Indian Pines數(shù)據(jù)集上不同算法對比
        2.6.2 參數(shù)討論與分析
        2.6.3 University Pavia和Kennedy Space Center數(shù)據(jù)集上不同算法對比
    2.7 本章小結(jié)
3 基于兩階段空譜聯(lián)合表示模型的高光譜圖像分類
    3.1 引言
    3.2 聯(lián)合稀疏表示模型
    3.3 聯(lián)合協(xié)同表示模型
    3.4 聯(lián)合結(jié)構(gòu)化稀疏表示模型
    3.5 兩階段空譜聯(lián)合表示模型
    3.6 實(shí)驗(yàn)結(jié)果及討論
        3.6.1 Indian Pines數(shù)據(jù)庫上不同算法對比
        3.6.2 本章算法分析與討論
        3.6.3 University of Pavia和Kennedy Space Center數(shù)據(jù)集上不同算法對比
    3.7 本章小結(jié)
4 基于空譜聯(lián)合K近鄰的高光譜圖像分類
    4.1 引言
    4.2 最近鄰和K近鄰算法
        4.2.1 最近鄰算法
        4.2.2 K近鄰算法
        4.2.3 加權(quán)K近鄰算法
        4.2.4 基于K近鄰的高光譜圖像分類
    4.3 空譜聯(lián)合K近鄰算法
        4.3.1 基本思想
        4.3.2 空譜K近鄰分類框架
    4.4 實(shí)驗(yàn)結(jié)果及分析
        4.4.1 Indian Pines數(shù)據(jù)集上不同算法對比
        4.4.2 參數(shù)分析與相關(guān)算法對比
        4.4.3 University of Pavia數(shù)據(jù)集上不同算法對比
    4.5 本章小結(jié)
5 基于集合度量和標(biāo)簽優(yōu)化的高光譜圖像分類
    5.1 引言
    5.2 基于集合度量的高光譜圖像分類模型
        5.2.1 集合到集合度量模型
        5.2.2 凸包表示模型優(yōu)化求解
        5.2.3 有效子集選擇
    5.3 基于流形正則的標(biāo)簽優(yōu)化算法
    5.4 實(shí)驗(yàn)結(jié)果及分析
        5.4.1 Indian Pines數(shù)據(jù)集上不同算法對比
        5.4.2 參數(shù)分析與討論
        5.4.3 University of Pavia和Kennedy Space Center數(shù)據(jù)集上不同算法對比
    5.5 本章小結(jié)
6 結(jié)論與展望
    6.1 結(jié)論
    6.2 創(chuàng)新點(diǎn)
    6.3 展望
參考文獻(xiàn)
附錄A Indian Pines數(shù)據(jù)集上不同算法對比結(jié)果
附錄B University of Pavia數(shù)據(jù)集上不同算法對比結(jié)果
附錄C Kennedy Space Center數(shù)據(jù)集上不同算法對比結(jié)果
攻讀博士學(xué)位期間科研項(xiàng)目及科研成果
致謝
作者簡介



本文編號：3803146