基于字典学习和特征融合的高光谱图像分类方法研究

发布时间：2023-12-10 13:21

　　随着高光谱遥感技术的发展,在同一个地区获取的地表图像拥有数以百计的频谱波段,拥有的光谱信息是多光谱图像的几十倍。然而,由于高光谱遥感图像拥有大量光谱信息的同时也增加了它的分类难度,它的主要挑战是存在大量的光谱特征而只有有限的训练样本(由于手工标记样本的难度和费用)。因此,如何利用丰富的信息来有效的解决小样本问题是一个重要的研究课题,在高光谱遥感图像分析中备受关注。纹理特征是区分不同目标对象的重要因素之一,能够帮助减少光谱变化以及同谱异物时的不良影响,其中,Gabor滤波器是一种强大的工具可以捕捉图像的方向、大小和其他内部结构信息。二维Gabor滤波器已经广泛的应用与纹理分析领域,而纹理分割也成功的应用在高光谱图像分类中。判别字典学习的目的是从训练样本中学习一个过完备的字典以提高它的编码向量的判别能力。Gabor小波可以提取局部的空间和光谱信息且成功的应用在高光谱图像分类中,由于Gabor特征的强大的判别能力,本文提出一种基于Gabor特征的高效高光谱图像分类方法,称为基于Gabor特征的支持向量引导字典学习方法,在原始的高光谱数据中提取Gabor特征用来构造初始字典,字典学习中的判别项...

【文章页数】：54 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及选题来源
    1.2 国内外在相关领域的研究进展
    1.3 高光谱图像分类面临的主要问题
    1.4 高光谱图像数据介绍
        1.4.1 KennedySpaceCenter(KSC)数据集
        1.4.2 Salinas 数据集
        1.4.3 IndianPines数据集
    1.5 论文结构
第2章 现有高光谱图像研究
    2.1 高光谱图像的空间与光谱特征提取
        2.1.1 主成分分析(PCA)
        2.1.2 独立成分分析(ICA)
        2.1.3 局部二值模式(LBP)
    2.2 高光谱图像的分类方法
        2.2.1 支持向量机(SVM)
        2.2.2 K-近邻分类(KNN)
        2.2.3 基于稀疏表示分类(SRC)
    2.3 本章小结
第3章 基于Gabor特征与支持向量引导字典学习的高光谱图像分类
    3.1 引言
    3.2 Gabor特征
        3.2.1 Gabor特征的提出
        3.2.2 一维与二维的Gabor特征
    3.3 支持向量引导字典学习模型
    3.4 基于二维Gabor与支持向量引导字典学习方法
    3.5 实验结果及分析
        3.5.1 KennedySpaceCenter数据集
        3.5.2 Salinas数据集
    3.6 本章小结
第4章 基于扩展形态特征与Gabor特征融合的高光谱图像分类
    4.1 引言
    4.2 高光谱图像的扩展形态特征
    4.3 三维Gabor特征
    4.4 基于扩展形态特征与Gabor特征融合方法
        4.4.1 基于扩展形态的三维Gabor特征提取
        4.4.2 对扩展形态的三维Gabor特征选择
    4.5 实验结果及分析
        4.5.1 AVIRISIndianPines数据集
        4.5.2 KennedySpaceCenter数据集
    4.6 本章小结
第5章 总结与展望
    5.1 研究工作总结
    5.2 未来研究工作展望
参考文献
致谢
攻读硕士学位期间的研究成果



本文编号：3872490