当前位置:主页 > 管理论文 > 工程管理论文 >

基于支持向量机和近邻表示的高光谱图像分类研究

发布时间:2023-04-16 21:30
  高光谱遥感图像作为一种三维立体图像,它整合了图像的空间信息与光谱信息。随着高光谱遥感技术的快速发展,高光谱图像在过去的几十年中已被广泛用于图像融合、光谱分离、分类、农业监测、目标检测和快速计算等。由于高光谱图像具有高光谱分辨率的特点,高光谱图像分类逐渐成为一个重要的研究领域,它不仅能够高精度地检测和区分土地覆盖类别之间的微小差异,而且在经济和军事领域也发挥着不可或缺的作用。但高光谱数据的特点也使得高光谱分类面对许多挑战,因此,本论文的研究重点是通过如何充分提取和结合高光谱图像的光谱和空间特征从而提高分类精度。本文的主要研究内容如下:1.高光谱图像具有几十甚至上百个波段,但是它的训练样本的数量是有限的,这一事实导致了被称为休斯现象的维数灾难问题。针对传统的基于SVM高光谱图像分类算法训练样本不足的问题,本文提出了一种基于权重的光谱和空间信息的半监督分类算法。首先通过相邻样本之间的权重去更新高光谱数据,使得高光谱数据具有判别性。同时,本文引入半监督分类缓解了高光谱训练样本不足的问题。最后,不同于普通的基于SVM和逻辑回归结合方法,将用矩形窗口提取SVM输出的空间邻域信息送到逻辑回归中进行分...

【文章页数】:77 页

【学位级别】:硕士

【文章目录】:
摘要
abstract
第1章 绪论
    1.1 课题的研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
    1.3 论文主要研究内容和章节安排
第2章 高光谱图像分类基础
    2.1 高光谱遥感数据
    2.2 SVM
    2.3 高光谱图像分类性能评价准则
    2.4 本章小结
第3章 基于加权谱空间的半监督高光谱图像分类算法
    3.1 引言
    3.2 逻辑回归
    3.3 基于加权谱空间的高光谱图像半监督分类算法
    3.4 仿真实验结果与分析
        3.4.1 AVIRIS Indian Pines数据集
        3.4.2 ROSIS Pavia of University数据集
        3.4.3 AVIRIS Salinas数据集
        3.4.4 参数K和 W对分类精度的影响
        3.4.5 不同数量的训练样本对分类精度的影响
        3.4.6 算法时间对比
    3.5 本章小结
第4章 基于谱梯度、SVM和空间随机森林的高光谱图像分类算法
    4.1 引言
    4.2 随机森林
    4.3 基于谱梯度、SVM和空间随机森林的高光谱图像分类方法
    4.4 仿真实验结果与分析
        4.4.1 AVIRIS Indian Pines数据集
        4.4.2 ROSIS Pavia of University数据集
        4.4.3 AVIRIS Salinas数据集
    4.5 本章小结
第5章 基于多尺度双边滤波器的高光谱图像分类算法
    5.1 引言
    5.2 双边滤波
    5.3 基于多尺度双边滤波器的高光谱图像分类算法
    5.4 实验结果及讨论分析
        5.4.1 AVIRIS Indian Pines数据集
        5.4.2 ROSIS Pavia of University数据集
        5.4.3 AVIRIS Salinas数据集
        5.4.4 窗口大小W对分类精度的影响
        5.4.5 不同数量的标记样本对分类精度的影响
        5.4.6 算法时间对比
    5.5 本章小结
结论
参考文献
攻读硕士学位期间发表的文章和取得的科研成果
致谢



本文编号:3791913

资料下载
论文发表

本文链接:https://www.wllwen.com/guanlilunwen/gongchengguanli/3791913.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户bdb24***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com