基于稀疏理论的遥感图像分类方法研究
发布时间：2020-07-30 01:54
【摘要】：随着遥感技术的发展,遥感图像的光谱分辨率、时间分辨率和空间分辨率都在逐步提高,人们可以从遥感图像中获得更多的有用信息。目前,遥感技术已经广泛应用于军事、环境监测、农业等各个领域。近年来,稀疏理论作为图像处理领域的一个研究热点,已经应用于遥感图像中。本文在研究稀疏理论的基础上,对多光谱和高光谱两种遥感图像进行研究,以提高红树林遥感图像分类为研究目的,其主要研究内容如下:(1)针对多光谱遥感图像,提出一种基于加权邻域平滑稀疏表示的遥感图像分类算法。首先针对红树林遥感图像的特殊性质,融合光谱特征以外的地理、纹理等多种特征;然后利用K-奇异值分解(K-SVD)算法训练样本数据构成过完备字典,以像元的曼哈顿距离的平均值表示像元间的相似性,通过加权函数对不同的相邻像元分配不同的权重;最后通过正交匹配追踪算法(OMP)求解稀疏系数,根据重构残差判断像元所属类别。通过在漳江口红树林自然保护区TM多光谱遥感图像数据集上展示了算法的有效性。(2)针对高光谱遥感图像,提出一种基于监督稀疏嵌入保持投影的高光谱降维算法。由于高光谱波段数目多,计算量大的问题,降维是高光谱图像重要的研究热点。传统的稀疏保持投影(SPP)是一种无监督降维算法,在其基础上,考虑到样本的流形结构信息,利用标签信息构建权重矩阵,突出标记样本内在的局部流行的作用。并且在SPP目标函数基础上考虑同类样本间距,即同时让目标函数的重构残差和同类样本间距达到最小。通过在高光谱公共数据集Indian Pines和漳江口红树林自然保护区HJ1A-HSI上证明了算法的有效性。基于稀疏理论的遥感图像分类研究具有良好的前景和发展,并且本文将其应用到红树林湿地遥感图像中,针对不同的遥感图像,提出不同的决策方法,对湿地保护监测分类具有重大的理论和实际价值。
【学位授予单位】：华侨大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP751
【图文】：
图 2.1 线性可分下的分类间隔中d 表示的是两个超平面的距离，两边同时除以d 就可以。则上式表示的两个平行超平面分别到式表示的超平面分则分类间隔。等价于最小化下式如下的目标函数：..()1(1,..,)02wstywxwiniTi+≥= 所属类别标签。对于线性不可分的情况，则上式的约束条变量ξ 则可以改写成：)1-(1,..,)0wini+ ≥ξ =示训练样本ix 的松弛变量。考虑到训练误差，所以目标函 + n2
3.4.2 漳江口红树林自然保护区 TM 数据集实验在实验中，每类地物分别选取 100 个样本（共 100×7 个样本）作本，采用 K-SVD 算法分别训练字典。实验的硬件平台 Inter Core i5-43.30GHz 8GB，软件平台是 Matlab R2013a。其中，图 3.2 是原始的漳林自然保护区 TM 假彩色合成图，图 3.3 显示出不同算法的分类结果（a）是支持向量机（SVM）算法；（b）是随机森林（RF）算法；（合稀疏表示分类器（SRU）算法；（d）是 LC-KSVD2[65]（Label Consist 算法；（e）是邻域平滑稀疏表示分类器（SRS）算法；（f）是加权稀疏表示（WSRS）算法。为了对本实验分类结果进行更有效的评估，本章采用混淆矩阵、Kappa 系数评价指标来对各个算法进行客观评价。遥感图像的测试样实地考察并结合 TM 图像与 Google earth 高分辨率图像，然后对每类选取 200（共 200*7）个真实点构造而成的。六种算法的混淆矩阵、Kappa 系数、错分率和漏分率分别如表 3.3、表 3.4 和表 3.5 所示。红树林滩
30（e）SRS （f）WSRS图 3.3 各个算法在遥感图像的分类结果图表 3.3 各个算法分类的混淆矩阵的比较类SVM RFC1 C2 C3 C4 C5 C6 C7 合 C1 C2 C3 C4 C5 C6 C7 合C1 182 0 0 0 0 0 63 245 190 0 0 4 0 0 38 232C2 0 194 0 0 0 31 0 225 0 188 0 0 0 14 0 202C3 0 0 170 0 0 15 0 185 0 0 189 0 0 17 0 206C4 0 0 0 200 3 0 0 203 0 0 0 196 3 0 0 199C5 0 0 0 0 197 0 2 199 0 6 0 0 197 6 23 232C6 0 6 28 0 0 154 0 188 0 6 11 0 0 163 0 180C7 18 0 2 0 0 0 135 155 10 0 0 0 0 0 139 149合 200 200 200 200 200 200 200 1 400 200 200 200 200 200 200 200 1 400
本文编号：2774831
【学位授予单位】：华侨大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP751
【图文】：
图 2.1 线性可分下的分类间隔中d 表示的是两个超平面的距离，两边同时除以d 就可以。则上式表示的两个平行超平面分别到式表示的超平面分则分类间隔。等价于最小化下式如下的目标函数：..()1(1,..,)02wstywxwiniTi+≥= 所属类别标签。对于线性不可分的情况，则上式的约束条变量ξ 则可以改写成：)1-(1,..,)0wini+ ≥ξ =示训练样本ix 的松弛变量。考虑到训练误差，所以目标函 + n2
3.4.2 漳江口红树林自然保护区 TM 数据集实验在实验中，每类地物分别选取 100 个样本（共 100×7 个样本）作本，采用 K-SVD 算法分别训练字典。实验的硬件平台 Inter Core i5-43.30GHz 8GB，软件平台是 Matlab R2013a。其中，图 3.2 是原始的漳林自然保护区 TM 假彩色合成图，图 3.3 显示出不同算法的分类结果（a）是支持向量机（SVM）算法；（b）是随机森林（RF）算法；（合稀疏表示分类器（SRU）算法；（d）是 LC-KSVD2[65]（Label Consist 算法；（e）是邻域平滑稀疏表示分类器（SRS）算法；（f）是加权稀疏表示（WSRS）算法。为了对本实验分类结果进行更有效的评估，本章采用混淆矩阵、Kappa 系数评价指标来对各个算法进行客观评价。遥感图像的测试样实地考察并结合 TM 图像与 Google earth 高分辨率图像，然后对每类选取 200（共 200*7）个真实点构造而成的。六种算法的混淆矩阵、Kappa 系数、错分率和漏分率分别如表 3.3、表 3.4 和表 3.5 所示。红树林滩
30（e）SRS （f）WSRS图 3.3 各个算法在遥感图像的分类结果图表 3.3 各个算法分类的混淆矩阵的比较类SVM RFC1 C2 C3 C4 C5 C6 C7 合 C1 C2 C3 C4 C5 C6 C7 合C1 182 0 0 0 0 0 63 245 190 0 0 4 0 0 38 232C2 0 194 0 0 0 31 0 225 0 188 0 0 0 14 0 202C3 0 0 170 0 0 15 0 185 0 0 189 0 0 17 0 206C4 0 0 0 200 3 0 0 203 0 0 0 196 3 0 0 199C5 0 0 0 0 197 0 2 199 0 6 0 0 197 6 23 232C6 0 6 28 0 0 154 0 188 0 6 11 0 0 163 0 180C7 18 0 2 0 0 0 135 155 10 0 0 0 0 0 139 149合 200 200 200 200 200 200 200 1 400 200 200 200 200 200 200 200 1 400
【参考文献】
相关期刊论文 前10条
1 张雪红;周杰;魏瑗瑗;朱晔;;结合潮位信息的红树林遥感识别[J];南京信息工程大学学报(自然科学版);2013年06期
2 孙永光;赵冬至;郭文永;高阳;苏岫;卫宝泉;;红树林生态系统遥感监测研究进展[J];生态学报;2013年15期
3 赵春晖;李晓慧;朱海峰;;空间4-邻域稀疏表示的高光谱图像目标检测[J];哈尔滨工程大学学报;2013年09期
4 宋相法;焦李成;;基于稀疏表示及光谱信息的高光谱遥感图像分类[J];电子与信息学报;2012年02期
5 梅锋;赵春晖;;基于空域滤波的核RX高光谱图像异常检测算法[J];哈尔滨工程大学学报;2009年06期
6 李伟;崔丽娟;张曼胤;王义飞;;遥感技术在红树林湿地研究中的应用述评[J];林业调查规划;2008年05期
7 赵春晖;陈万海;杨雷;;高光谱遥感图像最优波段选择方法的研究进展与分析[J];黑龙江大学自然科学学报;2007年05期
8 陈亮;刘希;张元;;结合光谱角的最大似然法遥感影像分类[J];测绘工程;2007年03期
9 闫峰;李茂松;王艳姣;覃志豪;;遥感技术在农业灾害监测中的应用[J];自然灾害学报;2006年06期
10 刘仁钊,廖文峰;遥感图像分类应用研究综述[J];地理空间信息;2005年05期
本文编号：2774831
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/2774831.html
