高光谱图像特征提取和分类算法研究

发布时间：2023-04-19 02:02

　　高光谱遥感技术通过数百个光谱窄波段实现地面场景成像,具有较高的光谱分辨率,波段连续且地物识别能力较强。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的应用。高光谱遥感图像具有冗余度高、相关性强、数据量大等特点,给图像分类识别带来了诸多挑战。针对高光谱图像的特点,本文在现有图像特征提取方法和分类识别方法的基础上研究基于光谱和空间的特征提取算法和图像分类方法。主要工作如下:(1)研究分析现阶段的高光谱图像特征提取方法、高光谱图像模式识别方法,介绍常用的高光谱图像评价分类指标及数据集等。(2)提出了谱空特征分层融合的高光谱图像特征提取算法,并在无监督极限学习机上进行分类。对于高光谱图像,无监督极限学习机在分类时会产生计算时间长,分类精度低的现象。为解决这个问题在无监督极限学习机中加入谱空特征分层融合算法。该算法首先利用基于光谱维的特征提取算法LDA将原始高光谱图像数据降到一定维数,提取光谱信息。然后对降维后的数据采用多尺度自适应加权滤波器AWF进行滤波,提取空间信息。两种算法交替使用设计了分层融合框架,有效提取出了高光谱图像中重要的谱空信息。为验...

【文章页数】：46 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 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研究现状
        1.2.2 高光谱图像分类方法研究现状
    1.3 本文研究内容
    1.4 论文结构安排
2 理论基础
    2.1 高光谱图像特征提取方法
        2.1.1 主成分分析
        2.1.2 局部保持投影
        2.1.3 线性判别分析
    2.2 高光谱图像模式识别方法
        2.2.1 k-近邻算法
        2.2.2 支持向量机
        2.2.3 极限学习机
    2.3 高光谱图像评价指标
    2.4 高光谱图像数据集
    2.5 本章总结
3 谱空特征分层融合的高光谱图像算法
    3.1 谱空特征分层融合学习方法
        3.1.1 基于AWF的空间特征学习方法
        3.1.2 LDA算法
    3.2 无监督极限学习机UDELM
        3.2.1 USELM算法
        3.2.2 UDELM算法
    3.3 SSUDELM算法
    3.4 实验结果与分析
    3.5 本章小结
4 融合传播滤波的高光谱图像分类深度网络
    4.1 高光谱图像预处理
    4.2 加权核极限学习机
    4.3 PF-SSN算法
    4.4 实验结果及分析
        4.4.1 在Indian图像数据实验结果
        4.4.2 在Pavia U图像数据实验结果
    4.5 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢



本文编号：3793493