基于光谱空间KELM的高光谱图像特征提取研究

发布时间：2025-04-01 02:17

　　高光谱图像分类是高光谱遥感技术中重要的研究课题之一,但高光谱图像多波段多信息的特性所带来的数据冗余、维数过高等问题给高光谱图像分类带来了巨大的挑战。因此,如何高效的提取和利用高光谱图像数据变得尤其重要。近年来随着超限学习机(Extreme learning Machine,ELM)的提出,因其学习效率高,泛化能力强的优势迅速进入了研究学者的视野。光谱空间内核ELM(Spectral and Spatial Kernel ELM,SSKELM)是传统ELM算法的改进,在高光谱图像分类任务中有着较高的分类精度。现有的SSKELM算法虽然利用了高光谱图像的空间信息,但未考虑空间信息冗余所带来的噪声干扰问题。针对以上分析,本文基于SSKELM分类算法对高光谱图像特征提取方法进行研究,本文主要工作如下:(1)针对传统SSKELM算法未对高光谱图像空间信息进行降噪这一缺陷,提出了一种基于局部二值模式(LBP)和SSKELM的高光谱图像分类方法。该方法先采用PCA对原始高光谱数据进行降维,然后在降维后的数据上提取LBP特征,再将此特征作为SSKELM分类算法的输入。实验结果证明基于LBP和SSKELM...

【文章页数】：77 页

【学位级别】：硕士

【部分图文】：

图1-1本文研究结构图

SSKELM算法和LBP的相关理论，然后阐述了基于LBP与SSKELM的高光谱图像分类方法。该方法是通过主成分分析法对原始高光谱数据进行降维，接着进行空间特征提取，然后利用SSKELM进行分类学习。最后利用实验验证了本章提出的方法的有效性。第4章提出了基于....

图2-1高光谱不同地物数据获取示意（ShawandBurke，2003）

2.1高光谱图像分类原理高光谱分辨率高，波段众多，研究表明，大多数地物的吸收特征在吸收峰深度一半的位置，其宽度为20-40nm。加之成像光谱系统的光谱分辨率高达5-10nm，因此很多在宽波段遥感中探测不到的物质在高光谱中都能轻松的被探测到。并且在同一空间分辨率的条件下，遥感....

图2-2高光谱图像分类方法基本流程

图2-2给出了高光谱图像监督分类方法的基本流程框架：第一步考虑用户需求，图像中地物的分辨率、尺度等因素进行高光谱数据的选取；第二步通过辐射纠正、大气校正等技术进行图像的预处理，获取地物正确的光谱信息和几何信息；第三步图像数据特征或需求目的对地物种类进行确定；第四步选择足够多且....

图2-3主成分变换示意图

图2-3主成分变换示意图数据集={,,,}，∈。写成矩阵形式为：=×，差求解公式=∑()，数是n-1,这是为了得到方差和协方差的无偏估计，方差通与其数学期望之间的偏离程度。由式（2-2）可知，需要对心化处理。则有：=∑，....

本文编号：4038788