基于多分类器融合的高光谱遥感图像分类

发布时间：2022-01-04 07:33

　　高光谱遥感图像分类一直是遥感领域的热门研究方向,高光谱遥感在一定的波段范围内对目标区域进行连续成像,其影像包含了丰富的空间信息与光谱信息,可以有效的用于地物的分类与识别。高光谱遥感图像数据量大,波段数目众多、像元特征维度高等特点,给像元分类带来充分条件的同时,也带来了信息冗余增多,信噪比降低,分类效率难以提升等问题。若只使用光谱信息而忽略空间信息,也会导致像元的特征表达性不足的问题。针对高光谱遥感图像像元分类的以上问题,本文主要工作概述如下:数据预处理方面,首先,本文采用GBDT的特征重要性对原始图像数据进行波段选择,有效地去除了大量的冗余波段,提升了分类效率。其次,本文结合高光谱图像的特点,将相关系数融入双边滤波算法中对图像进行滤波,在不影响图像纹理的情况下,取得了很好的去噪效果,并使各类别地物特征更加集中,有效提高了分类精度。特征提取方面,本文对LPP降维算法做出了改进,使降维过程同时利用了高光谱遥感图像的空间维信息与类别先验知识,并取得了比使用PCA,LDA降维后更好的分类效果。本文还定义了一种提取高光谱遥感图像纹理信息的LBP算子,有效地提取高光谱遥感图像的空间维特征。模型选择... 

【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：86 页

【学位级别】：硕士

【部分图文】：

图２－５?Ｐａｖｉａ?Ｕｎｉｖｅｒｓｉｔｙ数据集概况??

?１００??波段??图２－７?Ｐａｖｉａ?Ｕｎｉｖｅｒｓｉｔｙ数据集各类别平均特征曲线??２．４．３实验数据划分??为了实验结果的准确性，本文把Ｓａｌｉｎａｓ?Ｓｃｅｎｅ数据和Ｐａｖｉａ?Ｕｎｉｖｅｒｓｉｔｙ数据??按照７：３的比例划分成训练集和测试集，分类模型的选择和超参数调试均基于训??练集数据，最终的实验结果是分类模型在测试集上的各项分类指标。??训练集和测试集的具体像素划分如下图所示：??１８??

?０?２０?４０?６０?６０?１００??波段??图２－６?Ｐａｖｉａ?Ｕｎｉｖｅｒｓｉｔｙ数据集各类别特征曲线??各类的平均光谱曲线如下图所示：????ｌａｂｅｌ??Ｊ?＼?＾?ｒ?＾??ＩＩ?，０００．?一??ｉｏ＾＾＾＾＾ＥＥＥｚｚｙ??〇？］???（???１???２０?４０?６０?８０?１００??波段??图２－７?Ｐａｖｉａ?Ｕｎｉｖｅｒｓｉｔｙ数据集各类别平均特征曲线??２．４．３实验数据划分??为了实验结果的准确性，本文把Ｓａｌｉｎａｓ?Ｓｃｅｎｅ数据和Ｐａｖｉａ?Ｕｎｉｖｅｒｓｉｔｙ数据??按照７：３的比例划分成训练集和测试集，分类模型的选择和超参数调试均基于训??练集数据，最终的实验结果是分类模型在测试集上的各项分类指标。??训练集和测试集的具体像素划分如下图所示：??１８??

【参考文献】：
期刊论文
[1]高光谱遥感影像分类研究进展[J]. 杜培军,夏俊士,薛朝辉,谭琨,苏红军,鲍蕊.  遥感学报. 2016(02)
[2]基于纹理特征和形态学特征融合的高光谱影像分类法[J]. 王增茂,杜博,张良培,张乐飞.  光子学报. 2014(08)
[3]高光谱遥感数据光谱特征提取算法与分类研究[J]. 苏红军,杜培军,盛业华.  计算机应用研究. 2008(02)
[4]高光谱遥感数据最佳波段选择方法试验研究[J]. 刘建平,赵英时,孙淑玲.  遥感技术与应用. 2001(01)



本文编号：3567951