基于极限学习机的高光谱图像分类方法研究

发布时间：2023-12-10 14:35

　　高光谱图像的分类应用在地质勘探,城市扩张,农业和林业监测,军事等行业中起着至关重要的作用。高光谱图像具有优良的光谱信息和丰富的空间信息,其特征质量是影响分类性能的关键因素之一。由于特征的类内差异以及广泛的光照和规模变化,分类问题仍然具有挑战性。因此,如何从高光谱数据中提取本质特征是本文的主要研究重点。主要工作如下:(1)高光谱图像由于其光谱维数高,相关性强,数据量大等特点,在特征提取方面有很大的难度。针对经典极限学习机算法难以较好的提取光谱特征的问题,本文引入特征学习技术,提出一种基于判别信息的复合核极限学习机算法(CKELM-L)。CKELM-L充分利用了高斯分布信息,通过最大化类间矩阵与最小化类内矩阵,可以使投影的低维数据更接近同一类别,远离不同类别,以提取光谱特征。考虑到光谱像素与空间像素之间的相关性,空间特征的获得选用核方法。采取多核学习进行特征融合操作,随即分类。由分类后的相关数据可知,所提算法保留了更好的光谱特征,计算复杂度低且实现了出色的可分离性。(2)高光谱图像具有光谱特征和空间特征,而特征之间也具有空间上下文信息。极限学习机的特点是训练参数少,训练速度快,泛化能力强。...

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题研究的背景与意义
    1.2 国内外研究现状
        1.2.1 高光谱图像特征选择和特征提取研究现状
        1.2.2 高光谱图像分类(分类器)研究现状
    1.3 本文主要研究内容
    1.4 本文的组织结构
2 理论与实验基础
    2.1 高光谱图像数据特点
    2.2 高光谱图像特征提取方法
        2.2.1 光谱特征提取
        2.2.2 空间特征提取
    2.3 极限学习机
        2.3.1 单隐层前馈神经网络
        2.3.2 极限学习机算法
        2.3.3 核极限学习机算法
    2.4 高光谱图像评价指标
        2.4.1 混淆矩阵
        2.4.2 总体准确度
        2.4.3 Kappa系数
    2.5 高光谱图像数据集
        2.5.1 Indian Pines数据集
        2.5.2 Pavia University数据集
        2.5.3 Salinas Scene数据集
    2.6 本章小结
3 基于判别信息的复合核极限学习机用于高光谱图像分类
    3.1 线性判别分析
    3.2 复合核极限学习机算法
    3.3 CKELM-L算法
    3.4 实验结果分析
        3.4.1 Indian Pines数据集实验结果
        3.4.2 Pavia University数据集实验结果
        3.4.3 Salinas Scene数据集实验结果
    3.5 本章小结
4 具有图嵌入结构的复合核极限学习机用于高光谱图像分类
    4.1 图嵌入算法
    4.2 GCKELM算法
    4.3 实验结果分析
        4.3.1 Indian Pines数据集实验结果
        4.3.2 Pavia University数据集实验结果
        4.3.3 Salinas Scene数据集实验结果
    4.4 本章小结
5 融合相关系数和图嵌入的核极限学习机算法用于高光谱图像分类
    5.1 相关系数
    5.2 CCGCKELM算法
    5.3 实验结果分析
        5.3.1 Indian Pines数据集实验结果
        5.3.2 Pavia University数据集实验结果
        5.3.3 Salinas Scene数据集实验结果
    5.4 本章小结
6 结论与展望
    6.1 结论
    6.2 展望
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：3872597