基于结构感知学习的高光谱图像分类

发布时间：2022-12-05 06:23

　　随着数据模态多样化,高光谱数据作为具有图谱合一优势的一类遥感数据受到了广泛关注,该数据能够同时获取观测对象的空间维度和光谱维度信息,并多尺度、多维度的描述被观测对象。目前,针对高光谱数据的精细分类模型多用于城市、农田、环境监测等领域,但如何提高分类模型对观测区域的分类解译的准确性,仍是一项需要深入探究的课题。在众多分类方法中,本文以基于表示的和基于最小二乘回归的分类模型为研究方向,分别对以上两类方法在高光谱数据分类任务所面临的局限性进行探究,并提出各自的改进模型,本文主要研究内容如下所示:1、高光谱数据中光谱的不确定性严重影响着分类模型的实际效果,其中由于其简单性和有效性而引起关注的基于协同表示的分类模型,针对未充分考虑改善样本光谱维度的差异,以及未明确利用训练样本的类别标签信息指导学习表示系数的问题,提出了一种基于结构感知的协作表示分类模型,同时考虑利用训练样本的类别标签信息和改善样本光谱特征的不确定性,以获得更有判别力的表示系数。在提出的分类框架中,采用了边缘回归。此外,设计了类间行稀疏结构以保持类内样本的紧凑性和类间样本的差异性,从而增强了样本的可分离性。对三个开源高光谱数据集进... 

【文章页数】：98 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 传统高光谱图像分类方法
        1.2.2 基于协同表示的高光谱分类方法
        1.2.3 基于回归表示的图像分类方法
        1.2.4 难点及问题分析
    1.3 论文的主要研究内容及创新点
        1.3.1 论文的主要研究内容
        1.3.2 论文的创新之处
    1.4 论文结构
第二章 基于表示框架的高光谱图像分类模型
    2.1 基于协同表示的分类模型
        2.1.1 协同表示算法原理
        2.1.2 基于Tikhonov正则化的协同表示
    2.2 基于回归表示的分类模型
        2.2.1 重定向最小二乘回归分类模型
        2.2.2 基于类间稀疏的判别最小二乘回归分类模型
        2.2.3 正则化标签松弛线性回归分类模型
    2.3 本章小结
第三章 基于结构感知的协同表示分类模型
    3.1 引言
    3.2 基于结构感知协同表示的高光谱数据分类
        3.2.1 模型原理
        3.2.2 模型求解
        3.2.3 算法对比
    3.3 实验内容与分析
        3.3.1 实验数据与评价指标
        3.3.2 参数调优
        3.3.3 SaCRT算法效果分析
        3.3.4 SaCRT分类效果评估
    3.4 本章小结
第四章 基于判别边缘最小二乘回归的分类模型
    4.1 引言
    4.2 基于判别边缘最小二乘回归的高光谱数据分类
        4.2.1 模型原理
        4.2.2 模型求解
    4.3 实验内容与分析
        4.3.1 实验数据与评价指标
        4.3.2 参数调优
        4.3.3 DMLSR算法效果分析
        4.3.4 DMLSR分类效果评估
    4.4 本章小结
第五章 结论与展望
    5.1 结论
    5.2 展望
参考文献
致谢
研究成果及发表的学术论文
作者和导师简介
硕士研究生学位论文答辩委员会决议书



本文编号：3709862