高光谱遥感图像不确定样本分类算法研究

发布时间：2022-02-20 12:57

　　高光谱遥感图像分类问题是遥感图像领域中最为经典的科研问题之一,提高其分类精度和计算效率对精准农业、军事防伪、城市规划等方面都具有极其重要的意义。因此,设计高准确率、高时效性及高鲁棒性的高光谱遥感图像分类算法仍是众多科研工作者的研究重点。现有高光谱遥感图像分类算法都是基于训练样本完全正确标注的假设前提下设计实现的。然而,由于多种客观因素的存在,在实际标注过程中极难满足上述假设条件,进而导致高光谱遥感图像中部分样本被错误标记（即,不确定样本问题）。针对上述问题,本文将不确定样本视为整个训练集中的异常数据,拟通过设计多种高光谱遥感图像不确定样本关键检测与剔除算法,最大程度上降低不确定样本对高光谱遥感图像分类算法造成的影响及干扰。其中,本文主要的工作概括如下:协同表示（Collaborative Representation,CR）异常检测算法主要通过获取、对比各个像素的残差信息,进而判断各个像素的异常程度。因其优异的检测性能,CR算法被广泛应用于高光谱遥感图像异常检测研究领域。因此,本文在引入基于残差度量的CR算法基础上,提出一种类依属协同表示（Class-Dependent Collabo... 

【文章来源】：湖南理工学院湖南省

【文章页数】：84 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 高光谱遥感图像分类研究现状
        1.2.2 不确定样本检测、识别算法研究现状
    1.3 论文采用数据集与评价指标
        1.3.1 常用数据集
        1.3.2 评价指标
    1.4 论文研究内容与章节安排
第2章 类依属协同表示的高光谱遥感图像不确定样本分类算法
    2.1 基于协同表示的异常检测算法
    2.2 所提算法框架
        2.2.1 类依属协同表示算法的稀疏向量
        2.2.2 基于Tikhonov正则化的类依属协同表示算法
        2.2.3 不确定样本检测
    2.3 实验结果
        2.3.1 不同参数和迭代次数的影响分析
        2.3.2 不同算法的分类结果对比
        2.3.3 使用其他分类器的性能评估
    2.4 本章小结与讨论
第3章 基于密度峰值的高光谱遥感图像不确定样本分类算法
    3.1 密度峰值聚类算法
    3.2 基于密度峰值的高光谱遥感图像不确定样本分类算法
        3.2.1 获取样本间的距离
        3.2.2 计算训练样本的局部密度信息
        3.2.3 检测不确定样本
    3.3 实验结果与分析
        3.3.1 参数影响分析
        3.3.2 不同组成成分影响分析
        3.3.3 检测算法迭代次数影响分析
        3.3.4 所提算法的性能评估
        3.3.5 使用其他分类器的性能评估
    3.4 本章小结与讨论
第4章 基于空间密度峰值的高光谱遥感图像不确定样本分类算法
    4.1 基于空间密度峰值的不确定样本检测算法
    4.2 实验结果与分析
        4.2.1 SDP参数影响分析
        4.2.2 K-SDP参数影响分析
        4.2.3 检测算法迭代次数影响分析
        4.2.4 使用SVM进行性能评估
        4.2.5 使用其他分类器进行性能评估
    4.3 本章小结与结论
第5章 结论与展望
    5.1 结论
    5.2 展望
参考文献
致谢
攻读硕士学位期间主要研究成果


【参考文献】：
期刊论文
[1]小样本的高光谱图像降噪与分类[J]. 崔宾阁,马秀丹,谢小云.  遥感学报. 2017(05)
[2]基于正交投影散度的高光谱遥感波段选择算法[J]. 苏红军,盛业华.  光谱学与光谱分析. 2011(05)

硕士论文
[1]加权最近邻空间表征的高光谱遥感图像分类算法研究[D]. 黄思源.湖南理工学院 2019



本文编号：3635095