基于稀疏表达及空间信息的高光谱图像分类方法研究

发布时间：2018-02-13 23:04

  本文关键词： 高光谱 分类 稀疏表达 空间光谱信息 残差融合　出处：《哈尔滨工程大学》2016年博士论文　论文类型：学位论文

【摘要】：高光谱遥感技术作为一种前沿技术在许多领域都有广泛的应用,包括农业生产、矿物识别、目标检测、灾害预警、军事侦察与城市规划等等。采集到的高光谱数据具有较高的光谱分辨率和空间分辨率,数据特点为信息量大、冗余多、维数较高,同时在波段之间存在着很强的相关性,因此高光谱数据在提供丰富信息的同时也为后续的处理带来了不小的挑战。高光谱图像分类技术是高光谱数据处理的关键技术,如何有效地利用丰富的图像信息来提高分类效果得到了越来越多的关注。同时,相比于传统的分类方法,稀疏表达分类在数据处理方面显示出巨大的潜力,迅速成为研究热点。本论文基于实际的项目背景,以高光谱图像的分类理论和方法为框架,重点从如何更有效地利用稀疏表达和更充分地挖掘高光谱图像所包含的信息两大角度出发,针对在稀疏表达之中如何有效地结合空间信息展开相关的研究与探讨,旨在消除分类结果中的零星被错误分类的像元、实现高精度的分类。论文研究的主要内容如下:1、为了更好地对高光谱图像进行表达,同时利用空间邻域信息消除分类结果图中经常存在的一些零星被错误分类的像元,提出了基于稀疏特征和邻域同质性的高光谱图像分类算法。首先,为了使图像信息得到较好地表述,同时方便后续的图像处理过程,将高光谱图像中仅含少量非零元素的稀疏特征作为分类特征,然后,将提取出的稀疏特征应用支持向量机(Support Vector Machine,SVM)算法进行分类,得到基于稀疏特征的初始分类结果。为了进一步提高分类精度,引入图像中相邻像元间的空间相关性,对初始分类结果进行邻域同质性判定。理论分析和实验仿真均验证了所提算法具有优良的分类性能。2、为了充分利用稀疏表达所产生的稀疏特征,同时通过马尔科夫随机场(Markov Random Field,MRF)有效地引入图像中的上下文信息,提出了基于稀疏特征和马尔科夫随机场的高光谱图像分类算法。首先应用字典学习过程,完成一组基础向量组合的寻找,通过基础向量组合可以获取较高层次的高光谱数据。然后,通过稀疏表达来获取高光谱图像的稀疏特征使隐含信息较好地显示出来。接下来,将稀疏特征输入概率SVM得到每个像元对应的所属类别的概率估计,同时,在分类过程中引入基于MRF的空间信息,通过上下文的文本信息来修正基于稀疏特征的概率SVM的分类结果,得到最终分类结果。实验验证了所提出分类算法的有效性。3、为了使用空间光谱特征来较为全面的刻画高光谱数据,并有效地结合稀疏表达分类器来提高分类效果,提出了基于空间光谱特征和稀疏表达的高光谱图像分类算法。在对高光谱数据进行分类时,仅靠单一的光谱特征而忽略图像本身所具有的空间特征不能得到理想的分类结果。为了避免上述缺点,首先将对原始图像中所提取的空间纹理特征与光谱特征加以融合,形成图像的空间-光谱特征,实现高光谱图像的有效描述。然后,构造基于空间-光谱特征的训练集,将该训练集结合稀疏表达完成对整个高光谱图像的连释。最后通过图像所对应的各类别重构的冗余来确定归属类别,完成分类过程。实验结果表明所提出算法通过有效利用空间-光谱特征提高了分类效果。4、为了充分利用高光谱图像的空间光谱信息,并且考虑邻域像元的相关性和局部性来获取更好的分类效果,同时融合稀疏协作表达,使整个分类过程成为一个统一的框架,提出了一种基于空间光谱信息和稀疏协作表达的高光谱图像残差融合分类算法。该方法首先将高光谱图像分别由空间特征和光谱特征进行有效地表示,然后通过联合稀疏表达分类器(Joint Sparse Representation Classification,JSRC)和局部联合协作分类器(Locally Joint Collaborative Representation Classification,LJCRC)来分别处理提取出的特征,最后将不同分类器所得的残差进行融合,根据融合的残差来确定样本的归属类别。实验表明,本文提出的算法相比于当前主流分类算法具有更优的分类效果。
[Abstract]:In order to improve the classification accuracy , the spatial correlation between adjacent pixels in the image is analyzed . A high spectral image classification algorithm based on spatial spectral features and sparse representation is proposed .

【学位授予单位】：哈尔滨工程大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：TP751

【相似文献】

相关期刊论文 前10条

1 陈雨时;张晔;张钧萍;;基于线性模型最优预测的高光谱图像压缩[J];南京航空航天大学学报;2007年03期

2 谌德荣;宫久路;陈乾;曹旭平;;基于样本分割的快速高光谱图像异常检测支持向量数据描述方法[J];兵工学报;2008年09期

3 蒲晓丰;雷武虎;张林虎;蒋奇材;;基于Fukunaga-Koontz变换的高光谱图像异常检测[J];红外技术;2010年04期

4 成宝芝;郭宗光;;高光谱图像波段间相关特性研究[J];大庆师范学院学报;2013年06期

5 杨龙;易宏杰;李因彦;;遥感高光谱图像赤潮识别[J];传感器世界;2007年05期

6 汪倩;陶鹏;;结合空间信息的高光谱图像快速分类方法[J];微计算机信息;2010年21期

7 王立国;孙杰;肖倩;;结合空-谱信息的高光谱图像分类方法[J];黑龙江大学自然科学学报;2010年06期

8 冯朝丽;朱启兵;朱晓;黄敏;;基于光谱特征的玉米品种高光谱图像识别[J];江南大学学报(自然科学版);2012年02期

9 付欢;龙海南;韩晓霞;;基于冗余字典的高光谱图像的稀疏分解[J];河北软件职业技术学院学报;2013年04期

10 耿修瑞,张霞,陈正超,张兵,郑兰芬,童庆禧;一种基于空间连续性的高光谱图像分类方法[J];红外与毫米波学报;2004年04期

相关会议论文 前10条

1 张兵;王向伟;郑兰芬;童庆禧;;高光谱图像地物分类与识别研究[A];成像光谱技术与应用研讨会论文集[C];2004年

2 高连如;张兵;孙旭;李山山;张文娟;;高光谱数据降维与分类技术研究[A];第八届成像光谱技术与应用研讨会暨交叉学科论坛文集[C];2010年

3 王成;何伟基;陈钱;;基于波段重组和小波变换的高光谱图像嵌入式压缩方法[A];黑龙江、江苏、山东、河南、江西 五省光学（激光）联合学术‘13年会论文（摘要）集[C];2013年

4 孙蕾;罗建书;;基于分类预测的高光谱遥感图像无损压缩[A];第一届建立和谐人机环境联合学术会议（HHME2005）论文集[C];2005年

5 杨勇;刘木华;邹小莲;苗蓬勃;赵珍珍;;基于高光谱图像技术的猕猴桃硬度品质检测[A];走中国特色农业机械化道路——中国农业机械学会2008年学术年会论文集（下册）[C];2008年

6 张晓红;张立福;王晋年;童庆禧;;HJ-1A卫星高光谱遥感图像质量综合评价[A];第八届成像光谱技术与应用研讨会暨交叉学科论坛文集[C];2010年

7 高东生;高连知;;基于独立分量分析的高光谱图像目标盲探测方法研究[A];国家安全地球物理丛书（八）——遥感地球物理与国家安全[C];2012年

8 冯维一;陈钱;何伟基;;基于小波稀疏的高光谱目标探测算法[A];黑龙江、江苏、山东、河南、江西 五省光学（激光）联合学术‘13年会论文（摘要）集[C];2013年

9 彭妮娜;易维宁;方勇华;;基于核函数的高光谱图像信息提取研究[A];光子科技创新与产业化——长三角光子科技创新论坛暨2006年安徽博士科技论坛论文集[C];2006年

10 蒲晓丰;雷武虎;黄涛;王迪;;基于稳健背景子空间的高光谱图像异常检测[A];中国光学学会2010年光学大会论文集[C];2010年

相关重要报纸文章 前10条

1 记者 杨君 通讯员 程学军;我国首个空间信息水利应用研发中心诞生[N];人民长江报;2010年

2 记者 祝桂峰　通讯员 管豪斌;广东：推动空间信息云服务模式[N];中国测绘报;2012年

3 记者 陈江 通讯员 黎霞;广西空间信息与测绘重点实验室获国家863计划资助[N];广西日报;2013年

4 北大天创信息技术公司首席科学家 邬伦;大力发展我国空间信息产业[N];光明日报;2001年

5 记者 丁全利;可实际运行的国家地质空间信息平台建成[N];地质勘查导报;2006年

6 记者 李大庆;北京空间信息产业领跑全国[N];科技日报;2008年

7 本报记者 刘恕;让地质空间信息自由流动[N];科技日报;2005年

8 未来;LBS：电信增值业务的新领域[N];人民邮电;2003年

9 李敬;空间信息产业走向整合[N];计算机世界;2007年

10 记者 祝桂峰　通讯员 管豪斌;研发数字广东空间信息云服务技术[N];中国国土资源报;2012年

相关博士学位论文 前10条

1 杨京辉;基于稀疏表达及空间信息的高光谱图像分类方法研究[D];哈尔滨工程大学;2016年

2 郝思媛;空谱协作的高光谱图像分类方法研究[D];哈尔滨工程大学;2015年

3 普晗晔;高光谱遥感图像的解混理论和方法研究[D];复旦大学;2014年

4 王亮亮;非线性流形结构在高光谱图像异常检测中的应用研究[D];国防科学技术大学;2014年

5 贺智;改进的经验模态分解算法及其在高光谱图像分类中的应用[D];哈尔滨工业大学;2014年

6 魏然;基于成像机理分析的高光谱图像信息恢复研究[D];哈尔滨工业大学;2015年

7 叶珍;高光谱图像特征提取与分类算法研究[D];西北工业大学;2015年

8 冯婕;基于软计算和互信息理论的遥感图像地物分类[D];西安电子科技大学;2014年

9 孙涛;快速多核学习分类研究及应用[D];西安电子科技大学;2015年

10 李昌国;基于谱间和校正相关性的高光谱图像压缩方法研究及GPU并行实现[D];成都理工大学;2015年

相关硕士学位论文 前10条

1 丰烁;高光谱图像波段选取问题的改进算法研究[D];昆明理工大学;2015年

2 赵伟彦;果蔬干燥过程中的品质无损检测技术研究[D];江南大学;2015年

3 马亚楠;果蔬中内部害虫的高光谱图像检测技术研究[D];江南大学;2015年

4 刘大洋;基于近红外光谱和高光谱图像技术无损识别猕猴桃膨大果[D];西北农林科技大学;2015年

5 王坤;高光谱图像异常目标检测及光谱成像在伪装评估方面的应用研究[D];南京理工大学;2015年

6 王启聪;高光谱图像分类的GPU并行优化研究[D];南京理工大学;2015年

7 程凯;无先验信息的高光谱图像小目标检测算法研究[D];苏州大学;2015年

8 李秩期;基于高光谱及多信息融合的马铃薯外部缺陷无损检测研究[D];宁夏大学;2015年

9 王健;基于高光谱图像的马铃薯形状及重量分类识别建模研究[D];宁夏大学;2015年

10 吴蓓芬;偏振高光谱图像场景仿真及分类方法研究[D];哈尔滨工业大学;2015年

，

本文编号：1509310