發(fā)布時間：2017-08-14 15:07

  本文關(guān)鍵詞：基于分類精度預測的高光譜圖像分類研究

  更多相關(guān)文章： 高光譜圖像分類 非監(jiān)督波段選擇 分類精度預測 聯(lián)合最優(yōu) 波段貢獻率

【摘要】：高光譜圖像具有“圖譜合一”的特點,光譜與空間信息豐富,因而在地物的分類與識別領(lǐng)域有巨大的應用潛力。然而,數(shù)據(jù)量大、冗余信息多、“維數(shù)災難”現(xiàn)象以及“同物異譜”和“異物同譜”等問題,極大地影響高光譜圖像分類的效率與效果。為此,本文重點關(guān)注波段選擇及高光譜圖像的分類問題。主要研究工作及取得的成果如下： (1)圖像分類性能評價指標預測模型研究 分類精度的高低是圖像可分性大小的直接體現(xiàn)。它們不僅可用于高光譜圖像的波段選擇,而且可指導波段的有效組合,以提高圖像的分類性能。本文從圖像分類性能評價指標的定義出發(fā),基于各類地物服從混合高斯分布的假設(shè),建立圖像分類性能評價指標的預測模型。從理論上分析了特征分布參數(shù)是影響圖像分類精度的主要因素。本文所建立的分類精度預測模型僅依賴于特征分布參數(shù),且為參變量的顯式表達,因而為無訓練樣本參與的分類精度預測提供了一種可行的途徑。利用ROSIS、RetigaEx、AVIRIS三個高光譜數(shù)據(jù)集以及GeoEye-1和國產(chǎn)Z3兩個多光譜數(shù)據(jù)集進行實驗,結(jié)果表明,預測模型輸出結(jié)果與分類方法所得分類精度具有很強的一致性。 (2)基于總體精度排序與K-L距離分析的非監(jiān)督波段選擇方法研究 非監(jiān)督波段選擇方法算法復雜度低,但由于無訓練樣本的參與,難以得到直接體現(xiàn)波段可分性的準則�？紤]到總體精度可以反映各波段的可分性,本文首先基于總體精度預測模型,提出了一種非監(jiān)督的總體精度預測方法。為了實現(xiàn)了可分性與冗余度準則的在波段選擇過程的結(jié)合,提出了基于總體精度排序與K-L散度分析的非監(jiān)督波段選擇方法(OCPE)。相比其它非監(jiān)督波段選擇方法,由于考慮了波段的可分性,這種方法更具能體現(xiàn)面向分類的特點。利用ROSIS和RetigaEx數(shù)據(jù)集進行實驗,結(jié)果表明本文方法具有明顯的分類優(yōu)勢。 (3)總體精度與冗余度聯(lián)合最優(yōu)的波段選擇方法研究 為了選擇可分性強且冗余度低的波段集合,本文通過引入一個刻畫各波段重要程度的指標——波段重要性權(quán)重(SW),構(gòu)建總體精度與冗余度聯(lián)合最優(yōu)的目標函數(shù),于是,波段選擇被轉(zhuǎn)化為帶約束的優(yōu)化問題。在該目標函數(shù)中,為了協(xié)調(diào)總體精度與冗余度,設(shè)計了與所選波段數(shù)目l成正相關(guān)的自適應權(quán)衡參數(shù)。相比前面所提OCPE方法,這種方法是通過犧牲算法復雜度換取性能。利用ROSIS和RetigaEx數(shù)據(jù)集的實驗結(jié)果表明,本文方法性能穩(wěn)定,在去冗余與保持較高分類精度方面均可達到更好的性能。 (4)基于波段貢獻率加權(quán)的譜域-空域高光譜圖像分類方法研究 各波段對辨別不同地物的能力存在差異,貢獻也完全不同。為了發(fā)揮各波段的優(yōu)勢,提高光譜信息的利用率,本文將波段貢獻率引入光譜空間,并構(gòu)建了加權(quán)的光譜后驗概率模型(Weighted Spectral Posterior Probability, WSP)。為了發(fā)揮空間信息的作用,通過自適應的權(quán)衡參數(shù),進一步將WSP與空間光滑性約束結(jié)合。其中,本文采用F-measure刻畫波段貢獻率,并提出了一種半監(jiān)督的F-measure預測方法(Semi-Supervised F-measure Prediction Algorithm, SS-FP)。由于在SS-FP方法中,F-measure的預測是利用整個波段的數(shù)據(jù)進行的,而不是基于不均衡的有限訓練樣本,因而避免了訓練樣本不足或比例不均衡的問題。采用ROSIS、RetigaEx及AVIRIS數(shù)據(jù)集的實驗結(jié)果表明,相比最新的幾種高光譜圖像分類方法,本文所提方法能夠有效地提高高光譜圖像的分類精度。
【關(guān)鍵詞】：高光譜圖像分類 非監(jiān)督波段選擇 分類精度預測 聯(lián)合最優(yōu) 波段貢獻率
【學位授予單位】：華中科技大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：TP751
【目錄】：

• 摘要4-6
• Abstract6-10
• 1 緒論10-24
• 1.1 研究背景和意義10-13
• 1.2 國內(nèi)外研究現(xiàn)狀13-20
• 1.3 主要研究內(nèi)容及章節(jié)安排20-22
• 1.4 本文主要貢獻22-24
• 2 分類性能評價指標預測模型研究24-43
• 2.1 引言24-26
• 2.2 圖像可分性評價26-27
• 2.3 分類性能評價指標預測模型27-35
• 2.4 實驗結(jié)果與分析35-42
• 2.5 本章小結(jié)42-43
• 3 基于總體精度排序與K-L散度分析的波段選擇43-63
• 3.1 引言43-44
• 3.2 典型非監(jiān)督波段選擇方法44-46
• 3.3 基于總體精度排序與K-L散度分析的方法46-53
• 3.4 實驗結(jié)果與分析53-61
• 3.5 本章小結(jié)61-63
• 4 總體精度與冗余度聯(lián)合最優(yōu)的波段選擇63-80
• 4.1 引言63-64
• 4.2 總體精度與冗余度聯(lián)合最優(yōu)的非監(jiān)督波段選擇方法64-70
• 4.3 實驗結(jié)果與分析70-79
• 4.4 本章小結(jié)79-80
• 5 基于波段貢獻率加權(quán)的譜域-空域高光譜圖像分類80-102
• 5.1 引言80-81
• 5.2 基于波段貢獻率加權(quán)的譜域-空域高光譜圖像分類方法81-89
• 5.3 實驗結(jié)果與分析89-101
• 5.4 本章小結(jié)101-102
• 6 全文總結(jié)與展望102-105
• 6.1 全文總結(jié)102-103
• 6.2 工作展望103-105
• 參考文獻105-114
• 致謝114-115
• 附錄1 攻讀博士學位期間發(fā)表的論文及專利115-116
• 附錄2 攻讀博士學位期間獲得的獎勵116-117
• 附錄3 英文縮寫對照表117-118
• 附錄4 數(shù)學符號說明118-120

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 諶德榮;宮久路;陳乾;曹旭平;;基于樣本分割的快速高光譜圖像異常檢測支持向量數(shù)據(jù)描述方法[J];兵工學報;2008年09期

2 蒲曉豐;雷武虎;張林虎;蔣奇材;;基于Fukunaga-Koontz變換的高光譜圖像異常檢測[J];紅外技術(shù);2010年04期

3 成寶芝;郭宗光;;高光譜圖像波段間相關(guān)特性研究[J];大慶師范學院學報;2013年06期

4 楊龍;易宏杰;李因彥;;遙感高光譜圖像赤潮識別[J];傳感器世界;2007年05期

5 汪倩;陶鵬;;結(jié)合空間信息的高光譜圖像快速分類方法[J];微計算機信息;2010年21期

6 王立國;孫杰;肖倩;;結(jié)合空-譜信息的高光譜圖像分類方法[J];黑龍江大學自然科學學報;2010年06期

7 馮朝麗;朱啟兵;朱曉;黃敏;;基于光譜特征的玉米品種高光譜圖像識別[J];江南大學學報(自然科學版);2012年02期

8 付歡;龍海南;韓曉霞;;基于冗余字典的高光譜圖像的稀疏分解[J];河北軟件職業(yè)技術(shù)學院學報;2013年04期

9 耿修瑞,張霞,陳正超,張兵,鄭蘭芬,童慶禧;一種基于空間連續(xù)性的高光譜圖像分類方法[J];紅外與毫米波學報;2004年04期

10 張綺瑋;機載高光譜遙感圖像處理軟件系統(tǒng)[J];紅外;2005年02期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 張兵;王向偉;鄭蘭芬;童慶禧;;高光譜圖像地物分類與識別研究[A];成像光譜技術(shù)與應用研討會論文集[C];2004年

2 高連如;張兵;孫旭;李山山;張文娟;;高光譜數(shù)據(jù)降維與分類技術(shù)研究[A];第八屆成像光譜技術(shù)與應用研討會暨交叉學科論壇文集[C];2010年

3 王成;何偉基;陳錢;;基于波段重組和小波變換的高光譜圖像嵌入式壓縮方法[A];黑龍江、江蘇、山東、河南、江西 五省光學（激光）聯(lián)合學術(shù)‘13年會論文（摘要）集[C];2013年

4 孫蕾;羅建書;;基于分類預測的高光譜遙感圖像無損壓縮[A];第一屆建立和諧人機環(huán)境聯(lián)合學術(shù)會議（HHME2005）論文集[C];2005年

5 楊勇;劉木華;鄒小蓮;苗蓬勃;趙珍珍;;基于高光譜圖像技術(shù)的獼猴桃硬度品質(zhì)檢測[A];走中國特色農(nóng)業(yè)機械化道路——中國農(nóng)業(yè)機械學會2008年學術(shù)年會論文集（下冊）[C];2008年

6 張曉紅;張立福;王晉年;童慶禧;;HJ-1A衛(wèi)星高光譜遙感圖像質(zhì)量綜合評價[A];第八屆成像光譜技術(shù)與應用研討會暨交叉學科論壇文集[C];2010年

7 高東生;高連知;;基于獨立分量分析的高光譜圖像目標盲探測方法研究[A];國家安全地球物理叢書（八）——遙感地球物理與國家安全[C];2012年

8 馮維一;陳錢;何偉基;;基于小波稀疏的高光譜目標探測算法[A];黑龍江、江蘇、山東、河南、江西 五省光學（激光）聯(lián)合學術(shù)‘13年會論文（摘要）集[C];2013年

9 彭妮娜;易維寧;方勇華;;基于核函數(shù)的高光譜圖像信息提取研究[A];光子科技創(chuàng)新與產(chǎn)業(yè)化——長三角光子科技創(chuàng)新論壇暨2006年安徽博士科技論壇論文集[C];2006年

10 蒲曉豐;雷武虎;黃濤;王迪;;基于穩(wěn)健背景子空間的高光譜圖像異常檢測[A];中國光學學會2010年光學大會論文集[C];2010年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 普晗曄;高光譜遙感圖像的解混理論和方法研究[D];復旦大學;2014年

2 王亮亮;非線性流形結(jié)構(gòu)在高光譜圖像異常檢測中的應用研究[D];國防科學技術(shù)大學;2014年

3 賀智;改進的經(jīng)驗模態(tài)分解算法及其在高光譜圖像分類中的應用[D];哈爾濱工業(yè)大學;2014年

4 魏然;基于成像機理分析的高光譜圖像信息恢復研究[D];哈爾濱工業(yè)大學;2015年

5 葉珍;高光譜圖像特征提取與分類算法研究[D];西北工業(yè)大學;2015年

6 馮婕;基于軟計算和互信息理論的遙感圖像地物分類[D];西安電子科技大學;2014年

7 孫濤;快速多核學習分類研究及應用[D];西安電子科技大學;2015年

8 李昌國;基于譜間和校正相關(guān)性的高光譜圖像壓縮方法研究及GPU并行實現(xiàn)[D];成都理工大學;2015年

9 徐速;基于壓縮感知的高光譜圖像稀疏解混方法研究[D];重慶大學;2015年

10 南一冰;星載推掃型高光譜運動成像誤差建模與高精度校正技術(shù)研究[D];北京理工大學;2015年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 豐爍;高光譜圖像波段選取問題的改進算法研究[D];昆明理工大學;2015年

2 趙偉彥;果蔬干燥過程中的品質(zhì)無損檢測技術(shù)研究[D];江南大學;2015年

3 馬亞楠;果蔬中內(nèi)部害蟲的高光譜圖像檢測技術(shù)研究[D];江南大學;2015年

4 劉大洋;基于近紅外光譜和高光譜圖像技術(shù)無損識別獼猴桃膨大果[D];西北農(nóng)林科技大學;2015年

5 王坤;高光譜圖像異常目標檢測及光譜成像在偽裝評估方面的應用研究[D];南京理工大學;2015年

6 王啟聰;高光譜圖像分類的GPU并行優(yōu)化研究[D];南京理工大學;2015年

7 程凱;無先驗信息的高光譜圖像小目標檢測算法研究[D];蘇州大學;2015年

8 李秩期;基于高光譜及多信息融合的馬鈴薯外部缺陷無損檢測研究[D];寧夏大學;2015年

9 王健;基于高光譜圖像的馬鈴薯形狀及重量分類識別建模研究[D];寧夏大學;2015年

10 吳蓓芬;偏振高光譜圖像場景仿真及分類方法研究[D];哈爾濱工業(yè)大學;2015年

，

本文編號：673269