面向高光谱遥感图像分类的流形学习研究

发布时间：2017-05-26 07:01

  本文关键词：面向高光谱遥感图像分类的流形学习研究，由笔耕文化传播整理发布。

【摘要】：高光谱遥感图像具有详细的空间几何信息和丰富的光谱特征信息,其数据量大、维数过高、冗余性强的特点,若直接对高光谱遥感图像进行分类,容易出现“维数灾难”问题。因此,如何提取出有用的鉴别特征信息来提升高光谱遥感图像的分类精度成为关键问题。本文以高光谱遥感数据的非线性属性分析入手,主要从流形学习角度对高光谱遥感数据的特征提取及分类进行深入研究。相关的研究工作如下:①总结介绍了传统线性特征提取算法、局部流形学习算法、常用分类算法及分类结果的评价标准;②研究提出了面向高光谱遥感图像分类的半监督Laplace鉴别嵌入算法。由于传统的全局线性特征提取算法存在不能发现数据集的局部流形特征,以及单纯的局部流形学习算法忽略了标记样本的类别信息,容易破坏数据集的可分性问题。因而,本文提出一种基于保护样本集的可分性及流形结构特征的半监督Laplace鉴别嵌入(SSLDE)算法。该算法利用标记样本的类别信息来保持样本数据集在特征空间中的可分性,并通过构建标记样本和无标记样本的Laplace矩阵来发现样本数据集在特征空间中局部流形结构信息,实现半监督的鉴别特征提取。在KSC和Urban数据集上的实验结果说明:该算法具有更高的分类精度,可以有效地提取出流形鉴别特征;③研究提出了面向高光谱遥感图像分类的半监督丛流形学习算法。基于丛流形学习的理论思想,以及高光谱遥感数据的多类别特点,本文提出一种半监督丛流形学习(SSBML)方法。该算法是利用标记样本和无标记样本构建两个近邻关系图来保持数据集中丛流形的“整体”结构(各个子流形之间的相互关系)和每个子流形的内蕴结构特征,实现半监督的丛流形学习。在KSC和Pavia U高光谱数据集上的实验结果表明:该算法可以发现高光谱遥感数据集中丛流形结构的精细特征,有效地提升高光谱遥感图像的分类精度。综上所述,本文依据高光谱遥感数据的非线性特点,提出两种新的特征提取算法,并通过高光谱遥感数据集上的分类实验对本文方法的特征提取效果进行验证。
【关键词】：高光谱遥感图像 特征提取 流形学习 Laplace矩阵 近邻关系图
【学位授予单位】：重庆大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP751
【目录】：

• 中文摘要3-4
• 英文摘要4-8
• 1 绪论8-16
• 1.1 高光谱遥感图像的发展历程及应用8-9
• 1.2 高光谱遥感图像的特点9-11
• 1.3 高光谱遥感图像技术的研究现状11-12
• 1.4 本文的主要研究内容12-16
• 2 高光谱遥感图像特征提取及分类方法16-36
• 2.1 传统特征提取方法16-21
• 2.1.1 主成分分析(PCA)16-18
• 2.1.2 线性判别分析(LDA)18-20
• 2.1.3 多维尺度分析(MDS)20-21
• 2.2 流形学习方法21-28
• 2.2.1 局部线性嵌入(LLE)21-23
• 2.2.2 等距特征映射(ISOMAP)23-25
• 2.2.3 拉普拉斯特征映射(LE)25-26
• 2.2.4 邻域保持嵌入(NPE)26-27
• 2.2.5 局部保持投影(LPP)27-28
• 2.3 高光谱遥感图像的分类方法28-32
• 2.3.1 k最近邻分类(k-NN)28-29
• 2.3.2 光谱角制图分类(SAM)29-30
• 2.3.3 支持向量机分类(SVM)30-32
• 2.4 高光谱遥感图像分类精度的评价方法32-33
• 2.4.1 混淆矩阵(Confusion Matrix)32
• 2.4.2 生产者精度(Producer Accuracy)32-33
• 2.4.3 使用者精度(User Accuracy)33
• 2.4.4 总体精度(Overall Accuracy)33
• 2.4.5 Kappa系数(Kappa Coefficient)33
• 2.5 本章小结33-36
• 3 面向高光谱遥感图像分类的半监督Laplace鉴别嵌入36-48
• 3.1 引言36-37
• 3.2 谱图理论37
• 3.3 半监督Laplace鉴别嵌入算法37-40
• 3.3.1 SSLDE算法原理37-39
• 3.3.2 SSLDE算法步骤39-40
• 3.4 实验结果与分析40-47
• 3.4.1 KSC数据集40-43
• 3.4.2 Urban数据集43-45
• 3.4.3 算法复杂度比较45-46
• 3.4.4 实验结论分析46-47
• 3.5 本章小结47-48
• 4 面向高光谱遥感图像分类的半监督丛流形学习48-64
• 4.1 引言48
• 4.2 丛流形学习48-50
• 4.3 半监督的丛流形学习50-53
• 4.3.1 SSBML算法原理50-52
• 4.3.2 SSBML算法步骤52-53
• 4.4 实验与分析53-63
• 4.4.1 KSC数据集54-58
• 4.4.2 Pavia U数据集58-62
• 4.4.3 实验结论分析62-63
• 4.5 本章小结63-64
• 5 总结与展望64-68
• 5.1 本文工作总结64-65
• 5.2 研究展望65-68
• 致谢68-70
• 参考文献70-74
• 附录74
• A. 作者在攻读硕士学位期间发表的论文74

【相似文献】

中国期刊全文数据库 前10条

1 周华;蔡超;丁明跃;;基于流形学习和流形高阶近似的图像距离度量[J];华中科技大学学报(自然科学版);2012年03期

2 黄鸿;李见为;冯海亮;;融合局部和全局结构的流形学习[J];光学精密工程;2009年03期

3 贺广南;杨育彬;;基于流形学习的图像检索算法研究[J];山东大学学报(工学版);2010年05期

4 金波;;基于年龄流形的人脸图像年龄识别[J];中国新技术新产品;2011年01期

5 高峥;杜川;;基于流形学习算法的人脸识别研究[J];河南机电高等专科学校学报;2011年04期

6 詹炜;;流形学习算法概述[J];武汉船舶职业技术学院学报;2013年02期

7 丁玲;唐娉;李宏益;;基于流形学习的混合光谱解混分析[J];红外与激光工程;2013年09期

8 顾艳春;;一种基于线性插值的流形学习算法[J];佛山科学技术学院学报(自然科学版);2013年01期

9 张辉远;;基于高光谱影像的流形学习降维方法近邻畸变分析[J];铁道勘察;2014年02期

10 冯海亮;李见为;王旭初;黄鸿;;基于非线性子流形的人脸识别[J];重庆大学学报;2008年03期

中国重要会议论文全文数据库 前4条

1 宋欣;王娟;张斌;叶世伟;;流形学习算法分析及在人脸数据库上的应用[A];2008年全国开放式分布与并行计算机学术会议论文集(上册)[C];2008年

2 刘晓平;季浩;邓伟财;;基于流形学习的非线性系统可视化算法[A];全国第21届计算机技术与应用学术会议（CACIS·2010）暨全国第2届安全关键技术与应用学术会议论文集[C];2010年

3 何慧;陈博;郭军;;基于流形学习的半监督文本情感分类算法[A];第五届全国信息检索学术会议论文集[C];2009年

4 蒋全胜;贾民平;胡建中;许飞云;;一种基于流形学习的故障模式识别方法[A];第九届全国振动理论及应用学术会议论文集[C];2007年

中国博士学位论文全文数据库 前10条

1 苏祖强;基于泛化流形学习的风电机组传动系统早期故障诊断方法研究[D];重庆大学;2015年

2 黄鸿;图嵌入框架下流形学习理论及应用研究[D];重庆大学;2008年

3 尹峻松;流形学习理论与方法研究及在人脸识别中的应用[D];国防科学技术大学;2007年

4 黄启宏;流形学习方法理论研究及图像中应用[D];电子科技大学;2007年

5 冯海亮;流形学习算法在人脸识别中的应用研究[D];重庆大学;2008年

6 曾宪华;流形学习的谱方法相关问题研究[D];北京交通大学;2009年

7 詹宇斌;流形学习理论与方法及其应用研究[D];国防科学技术大学;2011年

8 王勇;基于流形学习的分类与聚类方法及其应用研究[D];国防科学技术大学;2011年

9 谷瑞军;基于流形学习的高维空间分类器研究[D];江南大学;2008年

10 孟德宇;关于流形学习若干基础问题与核心算法研究[D];西安交通大学;2008年

中国硕士学位论文全文数据库 前10条

1 胡浩松;基于流形学习的旋转机械故障识别方法研究[D];燕山大学;2015年

2 丁春涛;基于图嵌入的判别近邻分析研究及应用[D];苏州大学;2015年

3 余婵娟;交互式人脸检索中人机人脸认知一致性研究[D];上海大学;2015年

4 陈明霞;基于半监督的多流形学习算法研究[D];华侨大学;2015年

5 顾阳阳;基于流形学习的雷达辐射源识别技术[D];西安电子科技大学;2014年

6 高汉宇;基于最优r-覆盖堆积数本征维数估计方法及其应用[D];西安电子科技大学;2014年

7 罗廷金;基于流形学习的数据降维算法研究[D];国防科学技术大学;2013年

8 周韵然;基于流形学习的A股上市公司抽样的信用评价[D];电子科技大学;2014年

9 史仍浩;基于流形学习的在线社会网络节点分类[D];上海交通大学;2013年

10 陈诗文;流形学习在数据降维中的应用研究[D];浙江工业大学;2015年

  本文关键词：面向高光谱遥感图像分类的流形学习研究，，由笔耕文化传播整理发布。

本文编号：396002