基于多任务联合稀疏表示的高光谱图像分类算法研究

发布时间：2020-03-25 01:58

【摘要】：高光谱图像波段覆盖范围广,光谱分辨率高,蕴含了丰富且精细的空间和光谱信息,具有较强的对相似地物类别精确识别的能力。目前高光谱图像已经广泛应用于精准农业、矿物、大气科学以及军事等领域。但是高光谱图像的高维特性和波段间的高相关性,使得高光谱图像在应用中面临着数据量大、信息高度冗余的挑战。如何更好地应对这些挑战,发挥高光谱图像的优势,从而提升高光谱图像的分类精度,成为了高光谱图像分类领域的聚焦点。针对高光谱图像相邻波段间的高度相关性,目前的方法主要使用波段选择或者特征提取等降维技术进行处理。但是这些方法存在以下局限性:一是波段利用率较低,而且经过降维后的光谱信息质量依赖于合理的降维率或合适的波段数目,光谱质量存在不确定性;二是没有利用波段间的相关性,而是将这种相关性视为干扰信息进行去除,造成原始光谱信息的损失,缺乏对相关信息的合理分析及使用。本文着眼于高光谱图像的稀疏特性和相邻波带间的相关性,结合稀疏表示和机器学习中的多任务学习方法,构建了多任务联合稀疏表示分类算法,主要优势为:一、算法中使用了全部的波段信息,保留了原始光谱特征,提高了波段利用率;二、降低了子数据集的光谱维度,有效减少了子数据集内的光谱冗余;三、充分利用了图像的带间相关性,有效挖掘了光谱信息。本文具体的研究内容如下:(1)基于高光谱图像波段间的相关性,采用交叉分组策略将高度相关的相邻波段划分到了不同的子数据集,从而构建了多个相关的子数据集,每个子数据集对应一个子任务。在分组过程中,仅是对所有波段信息进行了重组,在保留了原始的光谱信息的同时,降低子数据集的维度和冗余度。(2)构建多任务共享稀疏结构,提出了多任务联合稀疏表示分类算法。基于高光谱图像的稀疏性,对每个子任务建立各自的稀疏表示模型。其次基于子任务间的相关性,使用?",$混合正则化约束集成多个子任务模型,构建了具有较高鲁棒性的共享稀疏结构,从而建立了多任务联合稀疏表示模型。多任务联合稀疏表示模型使得多个任务间能够共享一个公共的稀疏模式,从而提取不同任务的交叉特征信息,实现特征共享和信息互补。该模型在集成多个任务的同时集成了所有的原始波段信息,提高了波段利用率,提供了更多的判别信息。接着,使用加速近端梯度算法优化求解模型的非凸优化问题,得到多个任务的权重向量。最后利用多个任务的累计残差构建分类器。(3)基于两组公开数据集进行了实验设计,分析了算法的分类效果,验证了多任务联合稀疏表示分类算法的有效性。实验中分析了交叉分组得到的多个任务间的相关性,解释了这种相关性对算法的影响。同时设计了六组对比实验,通过对比分类结果验证了多任务联合稀疏表示算法分类性能的优越性。最后对算法中的两个关键参数进行了实验分析,说明了算法性能随参数设置的变化规律。
【图文】：

基于多任务联合稀疏表示的高光谱图像分类算法研究[5]，数百个波段为波段之间信息的相互校正提供了便利。有光谱相关性、空间相关性。高光谱图像是光谱平滑和空说相邻位置和波长的值是高度相关的[9][34]。而同类地物光其像元通常会映射到一个低维子空间，该空间内的每一个几个基向量近似地稀疏表示。谱合一”。高光谱图像同时蕴含了目标的二维几何空间与丰富且精细的空间及光谱信息的特性，这种特性称为“图

维护一组 个索引，，在每次迭代中通过将 个新候选项添加到当前列表中，然后从 2 候选项列表中丢弃 个不重要的候选项，来优化索引集。利用回溯机制，SP可以找到 个最重要的原子。2.2 高光谱图像的分类精度评价指标2.2.1 定性评价 分类结果图对比是一种较为直观评估分类器性能的方法。通过对比分类器预测的地物类别标签图和原始数据集地物标签参考图，可以反映分类器能够很好地区分哪些类别，哪些类别严重混淆。如图 2.4 所示，可以较为明显的看出图 2.4(c)的效果优于图 2.4(b)的效果。此外，通过对分类结果图像的观察能够发现图像是过平滑、平滑或有“空洞现象”[4]。使用结果图像表征和对比结果最为直观，但只是评价分类优劣的辅助手段，更精确的评估则需要定量评价。
【学位授予单位】：中国科学院大学(中国科学院国家空间科学中心)
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP751

【相似文献】

相关期刊论文 前10条

1 Fang LI;Jia SHENG;San-yuan ZHANG;;基于稀疏表示的拉普拉斯稀疏字典图像分类（英文）[J];Frontiers of Information Technology & Electronic Engineering;2017年11期

2 黄宏图;毕笃彦;侯志强;胡长城;高山;查宇飞;库涛;;基于稀疏表示的视频目标跟踪研究综述[J];自动化学报;2018年10期

3 刘嘎琼;;改进稀疏表示的人脸识别在高校管理中的应用[J];计算机与数字工程;2018年11期

4 余庆辉;朱晗琰;吴海霞;戈晓玲;潘逸炜;;基于类内稀疏表示的人脸识别[J];科技展望;2015年32期

5 滕升华;商胜楠;王芳;赵增顺;;一种基于复合稀疏表示的阿尔茨海默病的诊断方法[J];生物医学工程研究;2016年01期

6 黄宏图;毕笃彦;高山;查宇飞;侯志强;;基于局部敏感核稀疏表示的视频跟踪[J];电子与信息学报;2016年04期

7 张保庆;穆志纯;曾慧;;基于非负稀疏表示的遮挡人耳识别[J];计算机辅助设计与图形学学报;2014年08期

8 张石清;赵小明;楼宋江;闯跃龙;郭文平;陈盈;;一种局部敏感的核稀疏表示分类算法[J];光电子.激光;2014年09期

9 陈思宝;许立仙;罗斌;;基于多重核的稀疏表示分类[J];电子学报;2014年09期

10 李映;张艳宁;许星;;基于信号稀疏表示的形态成分分析:进展和展望[J];电子学报;2009年01期

相关会议论文 前10条

1 樊亚翔;孙浩;周石琳;邹焕新;;基于元样本稀疏表示的多视角目标识别[A];2013年中国智能自动化学术会议论文集（第五分册）[C];2013年

2 杨宝;朱启兵;黄敏;;基于非负矩阵分解一稀疏表示分类的玻璃缺陷图像识别[A];第24届中国控制与决策会议论文集[C];2012年

3 田野;张立新;严涛;杨志梅;张茁;;基于稀疏表示的北斗导航卫星预失真滤波器设计方法[A];第九届中国卫星导航学术年会论文集——S08 测试评估技术[C];2018年

4 肖琼;黄永言;;稀疏表示在脑电信号处理中的应用研究现状[A];人-机-环境系统工程创立30周年纪念大会暨第十一届人-机-环境系统工程大会论文集[C];2011年

5 赵雪峰;孙成禹;;基于稀疏表示的地震多属性融合[A];2016中国地球科学联合学术年会论文集（十九）——专题40：油气田与煤田地球物理勘探[C];2016年

6 廖佳俊;刘志刚;蔡尚;姜江军;;基于非负—平滑约束的高光谱稀疏表示目标检测算法研究[A];国家安全地球物理丛书（十二）——地球物理与信息感知[C];2016年

7 蒙红英;柴昱洲;韩宇;;一种基于稀疏表示的JPEG-LS改进算法[A];第四届高分辨率对地观测学术年会论文集[C];2017年

8 柴汉超;郭翌;汪源源;曹万里;孙福康;;基于多尺度稀疏表示分割肾上腺肿瘤CT图像[A];仪器仪表学报（2015（增刊）第36卷）[C];2015年

9 杜兰;李晨;孙永光;;基于联合动态稀疏表示的SAR自动目标识别[A];第五届高分辨率对地观测学术年会论文集[C];2018年

10 余力;郭翌;汪源源;陈萍;;基于超声心动图序列的胎儿左心室分割[A];仪器仪表学报（2015（增刊）第36卷）[C];2015年

相关博士学位论文 前10条

1 张岩;基于稀疏表示的油气地震勘探数据重建与去噪方法研究[D];东北石油大学;2018年

2 赵永红;基于稀疏表示的阵列信号空间谱估计方法研究[D];西安电子科技大学;2017年

3 任博;基于稀疏表示和流形学习的SAR图像分类算法研究[D];西安电子科技大学;2017年

4 程增飞;基于压缩感知的阵列信号处理技术研究[D];西安电子科技大学;2017年

5 吴晓欢;基于稀疏表示的波达方向估计理论与方法研究[D];南京邮电大学;2017年

6 王秀红;基于稀疏表示的波达方向估计方法研究[D];哈尔滨工业大学;2017年

7 王晓阳;基于稀疏动态反演的红外弱小目标检测理论及方法研究[D];电子科技大学;2018年

8 孔波;基于稀疏和张量表示的通信雷达融合系统目标参数估计方法研究[D];南昌大学;2019年

9 王蒙;联合多重字典结合扩展稀疏表示的非约束人脸识别研究[D];燕山大学;2018年

10 刘晶晶;基于稀疏表示及字典学习的人脸检测与识别方法[D];上海大学;2018年

相关硕士学位论文 前10条

1 陈敏霞;基于拉普拉斯和稀疏表示的图像色彩重建问题研究[D];南昌航空大学;2019年

2 宋雷雷;基于稀疏表示的人脸识别算法的研究[D];西安理工大学;2014年

3 邱贺磊;基于稀疏表示的视觉跟踪方法[D];大连大学;2019年

4 胡玉洁;基于稀疏表示的OFDM信号带内干扰抑制方法研究[D];西安理工大学;2019年

5 周熊;时频重叠通信信号稀疏表示分离方法研究[D];西安理工大学;2019年

6 贾立丽;基于多任务联合稀疏表示的高光谱图像分类算法研究[D];中国科学院大学(中国科学院国家空间科学中心);2019年

7 秦子雨;基于稀疏表示的高分辨率方法研究[D];西南石油大学;2018年

8 顾康康;基于多普勒原子稀疏表示的列车轴承轨边信号消噪研究[D];安徽大学;2019年

9 高洁;基于稀疏表示的人脸识别研究[D];北京建筑大学;2019年

10 鲍东海;基于压缩感知的监控视频稀疏表示与字典设计研究[D];浙江工业大学;2018年

本文编号：2599211