高光谱图像的特征提取与分类识别方法研究
发布时间：2022-10-19 10:04
高光谱图像是一个包含丰富的空间、光谱、辐射信息的高维数据,其在地质绘图和勘探、大气或植被生态监测、产品质检、精细农业、城市遥感和军事战场侦察等领域有广泛应用。然而由于高光谱遥感图像冗余度高、相关性强、数据量大等特点给高光谱图像的分类识别带来了诸多挑战。论文系统地研究了高光谱图像的特征提取方法以及分类识别方法,详细探讨了高光谱波段图像的纹理特征、波段间欧式距离以及基于聚类形式的高光谱图像降维方法,深入研究了类内波段指数获得波段代表以及支持向量机分类模型,并重点研究了聚类和类内波段指数的高光谱图像分类方法和其仿真实验。论文的主要工作和贡献如下:（1）研究了高光谱图像数据特点,了解并学习了近年来高光谱图像特征提取算法和分类识别方法的相关理论基础。重点研究了最大化方差主成分分析法、自适应波段选择法和自动子空间划分法的原理,并对上述方法进行了仿真实验验证。（2）提出了一种基于多特征和仿射传播聚类算法的高光谱波段选择方法。该方法能够克服单一信息量构造相似矩阵和一些聚类方法中初始值选定困难以及给定初始聚类中心对聚类结果影响大的问题。在算法中,首先获得波段图像的纹理特征,又由于欧式距离可以描述波段空间...
【文章页数】：90 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
1.1 论文研究背景及意义
1.2 国内外研究现状
1.2.1 高光谱图像特征提取与选择研究现状
1.2.2 高光谱图像分类方法研究现状
1.3 论文的研究内容及章节安排
1.3.1 论文主要研究内容及创新点
1.3.2 论文结构安排
第二章 高光谱图像特征提取和分类方法理论基础
2.1 高光谱图像特征提取介绍
2.1.1 主成分分析法
2.1.2 最佳指数因子法
2.1.3 自适应波段选择法
2.1.4 自动子空间划分法
2.2 高光谱图像分类介绍
2.2.1 监督分类
2.2.2 光谱角度填图法
2.2.3 神经网络分类方法
2.3 高光谱图像分类精度评价
2.3.1 误差矩阵
2.3.2 总体分类精度
2.3.3 Kappa系数
2.4 高光谱图像数据集介绍
2.5 本章小结
第三章 基于多特征和仿射传播聚类算法的高光谱图像波段选择
3.1 引言
3.2 相关理论背景
3.2.1 灰度共生矩阵
3.2.2 仿射传播聚类算法
3.3 基于多特征和仿射传播聚类算法的波段选择
3.3.1 相似度矩阵构造
3.3.2 仿射传播聚类算法波段选择过程
3.3.3 基于GE-AP算法的波段选择框架
3.4 实验结果与分析
3.4.1 对比实验仿真结果
3.4.2 基于GE-AP算法的波段选择实验结果
3.4.3 结果分析
3.5 本章小结
第四章 基于聚类和类内波段指数的高光谱图像分类方法
4.1 引言
4.2 基于聚类和类内波段指数的算法研究
4.2.1 噪声波段去除
4.2.2 类内波段指数
4.2.3 基于AP-ICBI的高光谱图像分类方法框架
4.3 支持向量机模型
4.3.1 支持向量机原理分析
4.3.2 SVM参数寻优
4.4 实验结果与分析
4.4.1 实验数据
4.4.2 实验环境
4.4.3 结果分析
4.5 本章小结
第五章 总结与展望
5.1 工作总结
5.2 研究展望
参考文献
致谢
作者简介
【参考文献】：
期刊论文
[1]非线性变换和信息相邻相关的高光谱自适应波段选择[J]. 张爱武,杜楠,康孝岩,郭超凡. 红外与激光工程. 2017(05)
[2]基于子空间划分的高光谱图像波段选择方法[J]. 王琪,杨桄,向英杰. 舰船电子工程. 2017(04)
[3]面向高光谱图像分类的空谱半监督局部判别分析[J]. 侯榜焕,姚敏立,王榕,张峰干,戴定成. 光学学报. 2017(07)
[4]极限学习机在高光谱遥感图像分类中的应用[J]. 李铁,张新君. 光电工程. 2016(11)
[5]基于聚类和最佳指数的快速高光谱波段选择方法[J]. 郭彤,华文深,刘恂,刘晓光. 光学技术. 2016(06)
[6]基于改进马尔科夫分类模型的高光谱图像分类方法[J]. 王冬雪,李姚. 信息通信. 2016(01)
[7]一种基于改进子空间划分的波段选择方法[J]. 赵慧洁,李明康,李娜,丁昊,蔡辉. 红外与激光工程. 2015(10)
[8]有监督的邻域保留嵌入的高光谱遥感影像特征提取[J]. 骆仁波,皮佑国. 测绘学报. 2014(05)
[9]基于流形学习的混合光谱解混分析[J]. 丁玲,唐娉,李宏益. 红外与激光工程. 2013(09)
[10]基于最大信息量的高光谱遥感图像无监督波段选择方法[J]. 刘雪松,葛亮,王斌,张立明. 红外与毫米波学报. 2012(02)
博士论文
[1]高光谱图像特征提取与分类算法研究[D]. 叶珍.西北工业大学 2015
[2]高光谱遥感影像光谱解混算法研究[D]. 杨华东.大连海事大学 2015
硕士论文
[1]高光谱图像流形学习算法研究[D]. 卢雨风.电子科技大学 2016
本文编号：3693158
【文章页数】：90 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
1.1 论文研究背景及意义
1.2 国内外研究现状
1.2.1 高光谱图像特征提取与选择研究现状
1.2.2 高光谱图像分类方法研究现状
1.3 论文的研究内容及章节安排
1.3.1 论文主要研究内容及创新点
1.3.2 论文结构安排
第二章 高光谱图像特征提取和分类方法理论基础
2.1 高光谱图像特征提取介绍
2.1.1 主成分分析法
2.1.2 最佳指数因子法
2.1.3 自适应波段选择法
2.1.4 自动子空间划分法
2.2 高光谱图像分类介绍
2.2.1 监督分类
2.2.2 光谱角度填图法
2.2.3 神经网络分类方法
2.3 高光谱图像分类精度评价
2.3.1 误差矩阵
2.3.2 总体分类精度
2.3.3 Kappa系数
2.4 高光谱图像数据集介绍
2.5 本章小结
第三章 基于多特征和仿射传播聚类算法的高光谱图像波段选择
3.1 引言
3.2 相关理论背景
3.2.1 灰度共生矩阵
3.2.2 仿射传播聚类算法
3.3 基于多特征和仿射传播聚类算法的波段选择
3.3.1 相似度矩阵构造
3.3.2 仿射传播聚类算法波段选择过程
3.3.3 基于GE-AP算法的波段选择框架
3.4 实验结果与分析
3.4.1 对比实验仿真结果
3.4.2 基于GE-AP算法的波段选择实验结果
3.4.3 结果分析
3.5 本章小结
第四章 基于聚类和类内波段指数的高光谱图像分类方法
4.1 引言
4.2 基于聚类和类内波段指数的算法研究
4.2.1 噪声波段去除
4.2.2 类内波段指数
4.2.3 基于AP-ICBI的高光谱图像分类方法框架
4.3 支持向量机模型
4.3.1 支持向量机原理分析
4.3.2 SVM参数寻优
4.4 实验结果与分析
4.4.1 实验数据
4.4.2 实验环境
4.4.3 结果分析
4.5 本章小结
第五章 总结与展望
5.1 工作总结
5.2 研究展望
参考文献
致谢
作者简介
【参考文献】：
期刊论文
[1]非线性变换和信息相邻相关的高光谱自适应波段选择[J]. 张爱武,杜楠,康孝岩,郭超凡. 红外与激光工程. 2017(05)
[2]基于子空间划分的高光谱图像波段选择方法[J]. 王琪,杨桄,向英杰. 舰船电子工程. 2017(04)
[3]面向高光谱图像分类的空谱半监督局部判别分析[J]. 侯榜焕,姚敏立,王榕,张峰干,戴定成. 光学学报. 2017(07)
[4]极限学习机在高光谱遥感图像分类中的应用[J]. 李铁,张新君. 光电工程. 2016(11)
[5]基于聚类和最佳指数的快速高光谱波段选择方法[J]. 郭彤,华文深,刘恂,刘晓光. 光学技术. 2016(06)
[6]基于改进马尔科夫分类模型的高光谱图像分类方法[J]. 王冬雪,李姚. 信息通信. 2016(01)
[7]一种基于改进子空间划分的波段选择方法[J]. 赵慧洁,李明康,李娜,丁昊,蔡辉. 红外与激光工程. 2015(10)
[8]有监督的邻域保留嵌入的高光谱遥感影像特征提取[J]. 骆仁波,皮佑国. 测绘学报. 2014(05)
[9]基于流形学习的混合光谱解混分析[J]. 丁玲,唐娉,李宏益. 红外与激光工程. 2013(09)
[10]基于最大信息量的高光谱遥感图像无监督波段选择方法[J]. 刘雪松,葛亮,王斌,张立明. 红外与毫米波学报. 2012(02)
博士论文
[1]高光谱图像特征提取与分类算法研究[D]. 叶珍.西北工业大学 2015
[2]高光谱遥感影像光谱解混算法研究[D]. 杨华东.大连海事大学 2015
硕士论文
[1]高光谱图像流形学习算法研究[D]. 卢雨风.电子科技大学 2016
本文编号：3693158
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3693158.html
