高光谱图像稀疏解混与分类算法研究

发布时间：2020-10-22 17:39

　　 随着遥感技术的飞速发展,高光谱遥感图像数据已经广泛地应用于环境监测、矿产勘探、军事目标识别等领域。因此,高光谱遥感图像数据的处理十分重要且具有实际应用价值。高光谱图像数据的解混精度和高光谱遥感图像的分类精度影响着高光谱遥感图像数据的后续应用,因此,高光谱图像的解混和分类是高光谱遥感图像处理中的关键性问题,也是后续研究和应用的重要基础。其中,在高光谱图像数据解混算法中,基于稀疏约束的解混算法已经成为解混算法的热点。现有的多目标稀疏解混算法虽然能解决传统稀疏解混算法中不能直接优化非凸_0L范数和权重参数不能自适应选择的问题,但是仍存在因随机分组策略的缺陷及拐点选解具有单一性,从而导致高光谱图像数据解混精度不高的问题。在高光谱图像分类算法中,现有的高光谱图像生成式对抗网络(Generative Adversarial Network,GAN)分类算法虽然能够解决高光谱图像数据冗余度大,标记样本有限的问题,但是仍存在不能提取全部的光谱特征和空谱联合特征的不足之处,使得高光谱图像分类精度有待提升。本文针对现有高光谱图像稀疏解混算法和高光谱图像分类算法的不足,做了以下两方面的研究工作:首先,针对现有高光谱图像多目标稀疏解混算法中存在因随机分组策略的不足及拐点选解具有单一性而导致高光谱图像解混精度不高的问题,本文提出一种基于大规模多目标进化算法(Evolutionary Algorithm for Large-scale Many-objective Optimization,LMEA)的高光谱图像稀疏解混算法。首次引入LMEA算法中的决策变量分组策略,并提出有约束拐点区域选解策略来提升高光谱图像数据稀疏解混的精度。本文将该算法应用于基于光谱特征的二目标稀疏解混框架和基于空谱联合特征的三目标稀疏解混框架中,使用常用的模拟和真实高光谱图像数据集进行对比实验,提出算法均获得最好的解混效果,也证明了使用空谱联合特征提高了算法对噪声的鲁棒性。其次,针对现有高光谱图像GAN分类算法中存在因提取光谱特征和空谱联合特征不全面而导致高光谱图像分类精度不高的问题,本文提出基于双通道GAN的高光谱图像分类算法。首先设计并搭建改进的一维GAN分类框架和改进的二维GAN分类框架用来分别提取更为全面的光谱特征和空间特征,并在上述两种框架的基础上,首次在高光谱图像GAN分类模型中引入了双通道的思想,设计并搭建双通道GAN分类框架用以提取更为全面的空谱联合特征送入到分类器中,进而提升高光谱图像的分类精度。通过对常用的三组高光谱数据集进行实验,提出算法与其他算法相比得到了最优的分类结果,验证了提出算法的有效性和先进性。
【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】：

高光谱数据的获取依据高光谱遥感成像技术，高光谱图像数据具有光谱分辨率高、波段连续及图谱合[80]

图 2.2 高光谱图像立方体与相应的光谱曲线特征空间表示特征空间表示方法中，如果不考虑波长的物理含义，仅仅将 p ( i , j )看成是则其可对应L维空间LP 中的一个点。那么整个高光谱图像对应的是空云，因此LP 称作高光谱图像的特征空间。这种表示方法能够表现目标

线性混合模型
【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 田洪晨;基于改进的LSTSVM高光谱图像分类方法研究[D];哈尔滨工程大学;2019年

9 周泽宇;高光谱图像稀疏解混与分类算法研究[D];哈尔滨工程大学;2019年

10 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

本文编号：2851904