当前位置:主页 > 管理论文 > 工程管理论文 >

小样本的高光谱图像降噪与分类

发布时间:2018-05-04 11:41

  本文选题:高光谱图像分类 + 特征提取 ; 参考:《遥感学报》2017年05期


【摘要】:在样本数目稀少情况下实现高光谱图像精细分类是个挑战性的问题。高光谱图像信噪比提高比较困难,噪声大小对分类结果有最直接的影响。利用高光谱图像相邻波段之间的相关性和相邻像素之间的相关性,提出多级降噪滤波的高光谱图像分类方法,通过改进的两阶段稀疏与低秩矩阵分解方法,去除高光谱图像中能量较高的噪声,利用主成分分析方法去除高光谱图像中能量较低的噪声,引导滤波方法去除分类结果图中的"椒盐噪声"。选取两幅真实高光谱图像进行实验,结果表明,两阶段稀疏与低秩矩阵分解法和主成分分析法两种降噪方法具有较强的互补性;引导滤波方法使得分类图更加平滑且分类精度更高。与其他光谱空间分类方法相比,本文方法分类精度更高,且在样本极少时能获得很高的分类精度。
[Abstract]:It is a challenging problem to realize hyperspectral image fine classification when the number of samples is scarce. It is difficult to improve the signal-to-noise ratio of hyperspectral images, and the noise level has the most direct influence on the classification results. Based on the correlation between adjacent bands and adjacent pixels of hyperspectral images, a multilevel de-noising filtering method for hyperspectral image classification is proposed. The improved two-stage sparse matrix decomposition method and low-rank matrix decomposition method are used to classify hyperspectral images. The noise with high energy in hyperspectral image is removed, the noise with low energy in hyperspectral image is removed by principal component analysis, and the "salt and pepper noise" is removed by guided filtering method. Two real hyperspectral images are selected for experiments. The results show that the two methods of sparse matrix decomposition and low rank matrix decomposition and principal component analysis are complementary to each other. The guided filtering method makes the classification map smoother and the classification accuracy higher. Compared with other spectral spatial classification methods, this method has higher classification accuracy and can obtain high classification accuracy when few samples are available.
【作者单位】: 山东科技大学计算机科学与工程学院;
【基金】:国家自然科学基金(编号:41406200) 山东省自然科学基金(编号:ZR2014DQ030)~~
【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 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

9 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

10 张绮玮;机载高光谱遥感图像处理软件系统[J];红外;2005年02期

相关会议论文 前5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 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

3 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

4 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

5 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

相关博士学位论文 前10条

1 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

2 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

3 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

4 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

5 曲海成;面向光谱解混的高光谱图像快速处理技术研究[D];哈尔滨工业大学;2016年

6 王忠良;基于线性混合模型的高光谱图像压缩感知研究[D];西北工业大学;2015年

7 贺霖;高光谱图像自动目标检测技术研究[D];西北工业大学;2007年

8 周爽;蚁群算法在高光谱图像降维和分类中的应用研究[D];哈尔滨工业大学;2010年

9 高恒振;高光谱遥感图像分类技术研究[D];国防科学技术大学;2011年

10 徐速;基于压缩感知的高光谱图像稀疏解混方法研究[D];重庆大学;2015年

相关硕士学位论文 前10条

1 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

2 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

3 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

4 霍莹;高光谱CCD机载相机检测设备研制[D];长春理工大学;2015年

5 王磊;基于张量的高光谱遥感图像压缩研究[D];复旦大学;2014年

6 邬文慧;空谱联合高光谱遥感图像半监督分类[D];西安电子科技大学;2014年

7 王依萍;基于主动学习的高光谱图像分类方法研究[D];西安电子科技大学;2014年

8 刘嘉慧;基于稀疏表示的高光谱图像分类和解混方法研究[D];西安电子科技大学;2014年

9 王U喺,

本文编号:1842913


资料下载
论文发表

本文链接:https://www.wllwen.com/guanlilunwen/gongchengguanli/1842913.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户39f24***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com