基于学习字典稀疏表示的遥感图像分类算法研究与应用
发布时间：2021-10-25 11:39
遥感数据的高精确度分类长期以来一直都是遥感科学的难题。特别是在高空间分辨率遥感数据越来越多的情况下，高效利用和改进各类现存的信息提取技术，有效集成多尺度信息提取的结果，从而更方便和精确的对各类遥感数据资源进行分类和定位，将成为人们高度关注的科学难题。为了更好的解决多光谱遥感图像分类精度问题，本文从两种方案着手研究，均达到了提高分类精度的效果。方案一，对于图像的分类不仅采用光谱特征，而是将光谱特征与归一化植被指数以及缨帽变换后的特征相结合，并将学习字典的稀疏表示算法应用于遥感影像分类，从而得到整幅图像的稀疏表示特征，结果表明无论在分类精度上还是在视觉效果上，本方法都具有一定的优势；方案二，在分析图像光谱特征的基础上，提取相关波段不同测度下的部分纹理特征，与其原始波段进行波段组合，并用学习字典对特征进行稀疏降维，实验证明了结合纹理特征遥感影像分类的合理性和有效性。本文中我们将基于学习字典的稀疏表示方法应用到数据量大、维数高，同时有标记样本获取成本高且困难的高光谱遥感数据中。我们分别取75%的数据做训练样本，再分别选取75%，50%，10%和5%的训练样本做训练，25%的数据做测试样本。首先...
【文章来源】：北方民族大学宁夏回族自治区
【文章页数】：56 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
目录
第一章 引言
1.1 课题背景与意义
1.2 遥感影像分类的国内外研究现状
1.3 稀疏分解近期的国内外研究情况
1.4 主要研究内容
1.5 本章小结
第二章 遥感图像处理的基本理论
2.1 遥感影像的预处理
2.2 遥感影像的特征提取
2.3 遥感图像的分类原理
2.4 遥感影像分类的评价方法
2.5 本章小结
第三章 稀疏表示图像识别的基本理论方法
3.1 稀疏表示问题的建立
3.2 稀疏表示的实质
3.3 稀疏表示字典设计
3.4 稀疏表示优化算法
3.5 遥感图像稀疏特征的提取
3.6 遥感图像稀疏分类
3.7 本章小结
第四章 基于多特征建模的稀疏表示遥感图像湿地分类算法研究与应用
4.1 引言
4.2 K-T 变换及 NDVI 的基本原理
4.3 稀疏表示学习字典的建立
4.4 多光谱遥感影像的特征建模
4.5 支持向量机（SVM）算法
4.6 算法步骤
4.7 实验结果与分析
4.8 本章小结
第五章 结合纹理特征的多光谱遥感图像稀疏表示分类算法
5.1 引言
5.2 遥感影像湿地信息提取
5.3 基于学习字典的稀疏表示分类原理
5.4 实验结果与分析
5.5 结论
第六章 基于学习字典稀疏表示的小样本高光谱遥感数据分类
6.1 引言
6.2 大数据分类的国内外现状研究
6.3 基于学习字典的图像稀疏分类算法
6.4 实验步骤
6.5 实验结果与分析
6.6 本章小结
第七章 总结与展望
7.1 工作总结
7.2 研究展望
参考文献
致谢
在学期间公开发表论文及科研情况
【参考文献】：
期刊论文
[1]基于支持向量机的遥感影像分类比较研究[J]. 王小明,毛梦祺,张昌景,许勇. 测绘与空间地理信息. 2013(04)
[2]遥感影像分类方法研究动态[J]. 张雁,吴保国,王冬. 安徽农业科学. 2012(28)
[3]基于蚁群算法的多光谱遥感图像分类[J]. 胡河山,覃亚丽. 杭州电子科技大学学报. 2012(04)
[4]基于模糊双支持向量机的遥感图像分类研究[J]. 丁胜锋,孙劲光,陈东莉,姜晓林. 遥感技术与应用. 2012(03)
[5]基于多示例学习的高分辨率遥感影像面向对象分类[J]. 阿里木·赛买提,杜培军. 遥感信息. 2012(03)
[6]基于稀疏表示及光谱信息的高光谱遥感图像分类[J]. 宋相法,焦李成. 电子与信息学报. 2012(02)
[7]超完备稀疏表示的图像超分辨率重构方法[J]. 路锦正,张启衡,徐智勇,彭真明. 系统工程与电子技术. 2012(02)
[8]高光谱数据的降维处理方法研究[J]. 柳萍萍,林辉,孙华,严恩萍. 中南林业科技大学学报. 2011(11)
[9]基于SVM分类的图像边缘检测研究[J]. 王芬,马涛,马旭. 天津师范大学学报(自然科学版). 2011(04)
[10]基于稀疏表示的协同入侵检测算法[J]. 崔保良,滕少华,崔振. 计算机工程. 2011(16)
博士论文
[1]图像的稀疏字典及其应用[D]. 易学能.华中科技大学 2011
[2]多源遥感信息融合方法及其应用研究[D]. 刘纯平.南京理工大学 2002
硕士论文
[1]基于BP神经网络遥感图像特征分类方法的研究[D]. 陈芳杰.安徽理工大学 2012
[2]基于稀疏表示与字典学习的图像去噪算法研究[D]. 姜鹏飞.西安电子科技大学 2011
[3]光谱与纹理特征融合的遥感图像分类方法[D]. 张海涛.西安电子科技大学 2010
本文编号：3457322
【文章来源】：北方民族大学宁夏回族自治区
【文章页数】：56 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
目录
第一章 引言
1.1 课题背景与意义
1.2 遥感影像分类的国内外研究现状
1.3 稀疏分解近期的国内外研究情况
1.4 主要研究内容
1.5 本章小结
第二章 遥感图像处理的基本理论
2.1 遥感影像的预处理
2.2 遥感影像的特征提取
2.3 遥感图像的分类原理
2.4 遥感影像分类的评价方法
2.5 本章小结
第三章 稀疏表示图像识别的基本理论方法
3.1 稀疏表示问题的建立
3.2 稀疏表示的实质
3.3 稀疏表示字典设计
3.4 稀疏表示优化算法
3.5 遥感图像稀疏特征的提取
3.6 遥感图像稀疏分类
3.7 本章小结
第四章 基于多特征建模的稀疏表示遥感图像湿地分类算法研究与应用
4.1 引言
4.2 K-T 变换及 NDVI 的基本原理
4.3 稀疏表示学习字典的建立
4.4 多光谱遥感影像的特征建模
4.5 支持向量机（SVM）算法
4.6 算法步骤
4.7 实验结果与分析
4.8 本章小结
第五章 结合纹理特征的多光谱遥感图像稀疏表示分类算法
5.1 引言
5.2 遥感影像湿地信息提取
5.3 基于学习字典的稀疏表示分类原理
5.4 实验结果与分析
5.5 结论
第六章 基于学习字典稀疏表示的小样本高光谱遥感数据分类
6.1 引言
6.2 大数据分类的国内外现状研究
6.3 基于学习字典的图像稀疏分类算法
6.4 实验步骤
6.5 实验结果与分析
6.6 本章小结
第七章 总结与展望
7.1 工作总结
7.2 研究展望
参考文献
致谢
在学期间公开发表论文及科研情况
【参考文献】：
期刊论文
[1]基于支持向量机的遥感影像分类比较研究[J]. 王小明,毛梦祺,张昌景,许勇. 测绘与空间地理信息. 2013(04)
[2]遥感影像分类方法研究动态[J]. 张雁,吴保国,王冬. 安徽农业科学. 2012(28)
[3]基于蚁群算法的多光谱遥感图像分类[J]. 胡河山,覃亚丽. 杭州电子科技大学学报. 2012(04)
[4]基于模糊双支持向量机的遥感图像分类研究[J]. 丁胜锋,孙劲光,陈东莉,姜晓林. 遥感技术与应用. 2012(03)
[5]基于多示例学习的高分辨率遥感影像面向对象分类[J]. 阿里木·赛买提,杜培军. 遥感信息. 2012(03)
[6]基于稀疏表示及光谱信息的高光谱遥感图像分类[J]. 宋相法,焦李成. 电子与信息学报. 2012(02)
[7]超完备稀疏表示的图像超分辨率重构方法[J]. 路锦正,张启衡,徐智勇,彭真明. 系统工程与电子技术. 2012(02)
[8]高光谱数据的降维处理方法研究[J]. 柳萍萍,林辉,孙华,严恩萍. 中南林业科技大学学报. 2011(11)
[9]基于SVM分类的图像边缘检测研究[J]. 王芬,马涛,马旭. 天津师范大学学报(自然科学版). 2011(04)
[10]基于稀疏表示的协同入侵检测算法[J]. 崔保良,滕少华,崔振. 计算机工程. 2011(16)
博士论文
[1]图像的稀疏字典及其应用[D]. 易学能.华中科技大学 2011
[2]多源遥感信息融合方法及其应用研究[D]. 刘纯平.南京理工大学 2002
硕士论文
[1]基于BP神经网络遥感图像特征分类方法的研究[D]. 陈芳杰.安徽理工大学 2012
[2]基于稀疏表示与字典学习的图像去噪算法研究[D]. 姜鹏飞.西安电子科技大学 2011
[3]光谱与纹理特征融合的遥感图像分类方法[D]. 张海涛.西安电子科技大学 2010
本文编号：3457322
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3457322.html
