融合空-谱信息的高光谱图像分类方法研究

发布时间：2020-10-21 06:34

　　 随着遥感技术迅速发展,高光谱图像比普通图像能够更准确地识别地物类别信息,其图像分类技术成为遥感领域研究的重要应用。然而高光谱数据维数高并且带标签的样本少,在小样本的情况下高光谱图像处理和数据分析具有一定的难度。传统的分类方法往往只利用了光谱信息,空间信息未被充分利用,并且在大量的无标签样本集中如何筛选出具有价值的样本信息同时准确预测其地物类别。针对上述问题,本文在前人研究的基础上对半监督分类算法和空间信息的辅助作用做了深入的研究,提出了两种新的半监督学习算法。具体内容如下所示:1、提出了结合主动学习与标签传递算法的高光谱图像半监督分类。该方法首先通过PCA降维获取光谱信息,用Gabor滤波方法提取空间纹理信息,将得到的空-谱信息特征级联,再利用主动学习方法中BT(Breaking Ties,BT)选择策略选取富含信息量的无标签样本,然后通过标签传递算法(Label Propagation,LP)预测所选取的无标签样本的类别。这些新产生的样本将被标记并且加入训练样本集来帮助初始化支持向量机分类器。实验结果表明,该方法能够在带标签数据很少的情况下有效利用无标签样本提高分类精度。2、提出了基于空间信息粒子群优化的高光谱图像半监督分类。该方法从三个方面充分利用地物光谱、空间信息改善高光谱图像的分类效果。首先,通过对PCA降维后的前三主成分分别进行Gabor滤波获取纹理信息图像并与第一主成分光谱信息图像结合;然后利用粒子群优化算法、空间邻域样本信息筛选有价值、高置信度的未标记样本进一步扩充标记训练样本集中;最后根据空间特征与光谱特征构造空-谱组合核函数用于支持向量机分类。实验结果表明,该算法从多角度多方面充分利用空间信息辅助提高分类器的分类效果。
【学位单位】：哈尔滨工程大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP751
【部分图文】：

遥感具有高实时性、覆盖范围广、可探测目标种类丰富等优点，在大气探测、洋遥感、地表资源调查、环境监测、地质勘探、军事侦察等领域表现出突出优作用。可以预见，随着研究学者越来越重视地球资源、人类生存环境及航空、索及利用，遥感技术将在更多的领域的发展中占据无法取代的地位。近些年内，光学遥感技术是遥感技术的前沿，它可以根据电磁波谱的频率划分X 射线、紫外线、可见光、红外线、无线电波等区域。其中，高光谱图像是利谱仪对某一区域以纳米级的光谱分辨率进行紫外光谱段到红外光谱段的连续成以看作由二维空间向量和一维光谱向量堆叠成的三维数据立方体，其数据示意1.1 所示。高光谱传感器利用数十至数百个连续波段对目标区域同时成像，真正光谱信息与图像相结合，每个波段都含有丰富的空间信息和光谱地物信息。它型的地物特征记录为完整的光谱曲线，因而可用高光谱来反演地表区域细节供。高光谱图像还有一个显著特点就是它的波段数远远大于多光谱图像，因而可加丰富的地物细节信息，辨别和区分地物目标具有较高的可信度，能够解决多无法达到的分类广度和目标探测深度等问题。

表 1.1 Indian Pines 数据集的地物信息类别 地物名称 样本数量1 Alfalfa 542 Corn-notill 14343 Corn-min 8344 Corn 2345 Grass/Pasture 4976 Grass/Trees 7477 Grass/pasture-mowed 268 Hay-windrowed 4899 Oats 2010 Soybeans-notill 96811 Soybeans-min 246812 Soybean-clean 61413 Wheat 21214 Woods 129415 Bldg-Grass-Tree-Drive 38016 Stone-steeltowers 95

哈尔滨工程大学硕士学位论文标图如图 1.4 所示。表 1.2 帕维亚大学数据集的地物信息类别 地物名称 样本数量1 Asphalt 66412 Meadows 186493 Gravel 20994 Trees 30645 Metal Sheets 13456 Soil 50297 Bitumen 13308 Bricks 36829 Shadows 947
【相似文献】

相关期刊论文 前10条

1 王斌;;基于高光谱图像技术的水果表面农药残留检测观察[J];种子科技;2017年04期

2 陈绫钢;吕靖芳;;高光谱图像技术在农产品监测中的应用进展[J];北京农业;2016年01期

3 朱贞映;袁建;何荣;;粮油中高光谱图像技术的应用现状[J];粮食与饲料工业;2016年09期

4 徐爽;何建国;马瑜;梁慧琳;刘贵珊;贺晓光;;高光谱图像技术在水果品质检测中的研究进展[J];食品研究与开发;2013年10期

5 叶珍;白璘;;局部保护降维与高斯混合模型的高光谱图像分类[J];工业仪表与自动化装置;2017年04期

6 吴龙国;何建国;贺晓光;刘贵珊;王伟;王松磊;苏伟东;罗阳;思振华;;高光谱图像技术在水果无损检测中的研究进展[J];激光与红外;2013年09期

7 闫敬文;陈宏达;刘蕾;;高光谱图像分类的研究进展[J];光学精密工程;2019年03期

8 唐中奇;付光远;陈进;张利;;基于低秩结构提取的高光谱图像压缩表示[J];电子与信息学报;2016年05期

9 张良培;李家艺;;高光谱图像稀疏信息处理综述与展望[J];遥感学报;2016年05期

10 李昌利;张琳;樊棠怀;;基于自适应主动学习与联合双边滤波的高光谱图像分类[J];计算机科学;2018年12期

相关博士学位论文 前10条

1 李娇娇;高光谱遥感图像高效分类与解混方法研究[D];西安电子科技大学;2016年

2 刘务;基于空谱特征挖掘的高光谱图像分类方法研究[D];哈尔滨工程大学;2018年

3 李威;基于机器学习的森林多源遥感数据分析方法研究[D];哈尔滨工程大学;2018年

4 李畅;高光谱遥感影像处理中的若干关键技术研究[D];华中科技大学;2018年

5 任越美;高光谱图像特征提取与分类方法研究[D];西北工业大学;2017年

6 王庆岩;面向植被遥感监测的高光谱图像分类技术研究[D];哈尔滨工业大学;2018年

7 吴钊君;基于权重核范数的高光谱图像去噪与解混方法研究[D];哈尔滨工业大学;2018年

8 张星;组合空间和光谱特性的高光谱图像异常检测与目标识别方法研究[D];国防科学技术大学;2016年

9 冯志玺;空谱稀疏结构学习下的高光谱数据降维与分类技术研究[D];西安电子科技大学;2018年

10 胡静;基于深度学习的高光谱图像超分辨处理方法研究[D];西安电子科技大学;2018年

相关硕士学位论文 前10条

1 黄婷婷;基于Grouplet变换的高光谱图像压缩重构方法研究[D];南昌航空大学;2019年

2 张晓慧;基于改进稀疏表达的高光谱异常目标检测[D];太原理工大学;2019年

3 王军升;尺度自适应核高光谱图像分类[D];兰州大学;2019年

4 冀伟;高光谱图像解混与SVM分类参数优化的研究[D];哈尔滨工程大学;2019年

5 王恒;高光谱图像稀疏解混算法研究[D];哈尔滨工程大学;2019年

6 高冰;基于支持向量机和近邻表示的高光谱图像分类研究[D];哈尔滨工程大学;2019年

7 商卉;融合空-谱信息的高光谱图像分类方法研究[D];哈尔滨工程大学;2019年

8 谢惠敏;基于字典学习和特征融合的高光谱图像分类方法研究[D];深圳大学;2018年

9 甘士忠;基于仿生智能优化的高光谱图像非线性解混方法研究[D];天津工业大学;2019年

10 刘明威;基于压缩感知的干涉高光谱图像稀疏重建算法研究[D];天津工业大学;2019年

本文编号：2849775