基于子空间学习的高光谱影像地物分类

发布时间：2017-11-08 17:35

  本文关键词：基于子空间学习的高光谱影像地物分类

  更多相关文章： 高光谱影像 地物分类 组稀疏编码 空间拉普拉斯图正则 线性回归 子空间学习 半监督学习

【摘要】：近年来,随着遥感技术的迅猛发展,人们可以获取大量的高光谱影像数据,高光谱影像数据能够同时获取地物的光谱特征信息和空间特征信息,可对地物进行精细分类。高光谱影像数据中光谱信息和空间信息很丰富,但样本维数很高,波段间信息冗余,数据海量,但有标记的样本数量很少。针对以上问题,本文进行较为深入研究,成果如下:1.提出了一种基于子空间学习和稀疏编码的高光谱影像地物分类方法。该算法把高光谱影像数据投影到低维子空间和组稀疏编码集成到统一框架内,这样可以保证投影子空间是最优的,并且引入这一反应空间特征信息的约束,使得特征编码不仅具有整体稀疏性,并且保留了空间特征信息。仿真实验结果表明:基于子空间学习和稀疏编码的高光谱影像地物分类算法能够大大提高分类精度,并减少时间。2.提出了一种基于稀疏低秩回归的高光谱影像地物分类方法。该算法把高光谱影像数据投影到线性鉴别分析的子空间里,在子空间里做组Lasso回归,充分利用了高光谱影像数据的类别信息,使高维数据经过低维映射后具有较好的可分性,挖掘高光谱影像数据的全局结构和内部本质。所以该算法能够得到较高的分类精度。在实际高光谱数据集上进行的仿真实验验证了该算法的性能。3.提出了一种基于虚拟标签回归的半监督高光谱影像地物分类方法。半监督分类方法能充分利用无标记样本,有效的克服样本标记不足的问题。但是无标记样本一旦被错误分类,这种错误在后续标记传递过程中将会被延续甚至扩大。该算法通过随机游走获取虚拟标签,虚拟标签能够检测出高光谱影像数据的异常值和半监督算法中训练样本标记不全,避免标记被错误传递。实验结果表明:基于虚拟标签回归的高光谱数据分类算法,能够大大提高准确率,具有很好的鲁棒性。实验结果表明,本文提出的模型及方法有效地提高高光谱遥感影像像分类性能。最后论文对本文工作进行总结,并指出今后需要进一步研究的内容。
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP751

【参考文献】

中国期刊全文数据库 前3条

1 陈进;王润生;;高斯最大似然分类在高光谱分类中的应用研究[J];计算机应用;2006年08期

2 何国光,朱萍,曹志彤,陈宏平;混沌神经网络的Lyapunov指数与混沌区域[J];浙江大学学报(理学版);2004年04期

3 杨哲海,韩建峰,宫大鹏,李之歆;高光谱遥感技术的发展与应用[J];海洋测绘;2003年06期

中国博士学位论文全文数据库 前1条

1 徐晓华;图上的随机游走学习[D];南京航空航天大学;2008年

，

本文编号：1158166