面向混合像元的高光谱遥感数据降维

发布时间：2017-06-25 06:07

  本文关键词：面向混合像元的高光谱遥感数据降维，由笔耕文化传播整理发布。

【摘要】：高光谱数据包含大量的空间、光谱等信息,它将决定地物性质的光谱和决定地物空间与几何特性的图像有机的结合,有利于高光谱数据更准确地分类。但是,由于高光谱数据的波段数众多,给分类器的模型选择和训练均带来了困难。因此,对高光谱数据进行降维,提取更具判别性的分类特征,已变成当前高光谱数据处理中的重要问题。由于高光谱图像的空间分辨率有限,图像中存在包含多类地物的混合像元。正是由于混合像元,属于同类的样本可能具有不同的光谱向量,而属于异类的样本可能具有相同的光谱向量。然而,以往的降维方法往往未考虑混合像元的影响,从而导致提取的特征判别性不高,从而产生大量的错分。针对该问题,在判别子空间投影的基础上,设计了几种改进方案。具体研究内容如下:(1)提出了一种基于模糊标签的判别子空间投影算法。首先,定义模糊标签,用“相似的样本具有相似的模糊标签”的假设代替“相似的样本具有相同的标签”的假设,构造拉普拉斯正则项;然后,利用标记样本构造判别子空间投影判别项,最大化异类近邻与同类近邻间的边界;最后,联合优化投影矩阵和模糊标签,在无需设计分类器的情况下,借助模糊标签实现分类,同步实现了高光谱数据的降维与分类。在Indian Pines、Salinas-A、Pavia Centre、Botswana、KSC高光谱数据库上进行仿真实验,实验结果表明:该算法能有效缓解混合像元的问题,更好地实现分类。(2)提出了一种基于混合模糊标签的半监督高光谱数据的降维方法。首先,为充分利用样本的空间信息,通过Turbopixels算法对图像进行超像素分割,再挑选出超像素中的混合像元;然后针对优化后的超像素和混合像元,分别创建基于超像素和像素的模糊标签,构造基于模糊标签的拉普拉斯正则项;最后结合判别子空间投影准则,同步求取最佳投影矩阵和分类结果。在Indian Pines、Salinas-A、Pavia Centre高光谱数据库上进行仿真实验,实验结果表明:该算法保持了数据的空间一致性,提高了高光谱遥感数据的分类识别率。(3)提出了一种基于自步学习模糊标签的半监督高光谱数据降维方法。由于混合像元不利于模型的建立且双凸优化问题的最优解常常陷入局部最优,该算法引入自步学习算法,在训练过程中不再直接输入全部训练样本参与训练,而是在迭代求解过程中,逐步加入更具判别性的像素同时优化模型参数,因而更能缓解混合像元的问题,改进优化过程。在Indian Pines、Salinas-A、Pavia Centre高光谱数据库上进行仿真实验,实验结果表明:该算法可更好地缓解混合像元的问题,并且改善投影矩阵的解陷入局部最优的难题。
【关键词】：半监督 模糊标签 混合模糊标签 最大化边界准则 自步学习
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP751
【目录】：

• 摘要5-7
• ABSTRACT7-11
• 符号对照表11-12
• 缩略语对照表12-15
• 第一章 绪论15-23
• 1.1 研究背景15-20
• 1.1.1 高光谱遥感影像技术的发展概况15-16
• 1.1.2 高光谱图像地物分类的概述16-19
• 1.1.3 高光谱数据降维的必要性19-20
• 1.2 研究目的与意义20
• 1.3 研究内容与创新20-23
• 第二章 基于模糊标签的判别子空间投影的高光谱数据降维和分类方法23-41
• 2.1 模糊标签的概念23-24
• 2.2 基于模糊标签的拉普拉斯正则项24-25
• 2.3 基于模糊标签的判别子空间投影方法25-29
• 2.3.1 子空间投影方法25-27
• 2.3.2 判别子空间投影方法27-28
• 2.3.3 FS-DSP优化问题的解决方案28-29
• 2.4 实验结果分析29-38
• 2.4.1 实验条件29-35
• 2.4.2 判别项的性能分析35
• 2.4.3 FS-DSP与对比算法的分类结果35-37
• 2.4.4 标记样本数目对性能的影响37-38
• 2.4.5 对本章算法FS-DSP的参数的性能分析38
• 2.5 本章小结38-41
• 第三章 基于混合模糊标签的半监督高光谱数据降维方法41-53
• 3.1 超像素分割算法的介绍41-42
• 3.2 基于混合模糊标签的半监督高光谱数据降维方法42-45
• 3.2.1 混合模糊标签的概念42-43
• 3.2.2 基于混合模糊标签的高光谱数据降维43-45
• 3.3 实验结果分析45-52
• 3.3.1 Indian Pines数据的实验结果46-47
• 3.3.2 Pavia University数据集上的结果47-49
• 3.3.3 Salinas-A数据集上的结果49-51
• 3.3.4 对本章算法的参数的性能分析51-52
• 3.4 本章小结52-53
• 第四章 基于自步学习模糊标签的半监督高光谱数据降维方法53-65
• 4.1 自步学习算法53-56
• 4.1.1 隐变量模型学习算法53-54
• 4.1.2 自步学习算法54-56
• 4.2 基于自步学习模糊标签的降维方法56-58
• 4.3 实验结果与分析58-63
• 4.3.1 Indian Pines数据的实验结果58-60
• 4.3.2 Pavia University数据集上的结果60-62
• 4.3.3 Salinas-A数据集上的结果62-63
• 4.4 本章小结63-65
• 第五章 总结与展望65-67
• 5.1 论文内容总结65
• 5.2 工作展望65-67
• 参考文献67-73
• 致谢73-75
• 作者简介75-76

【相似文献】

中国期刊全文数据库 前10条

1 阎国倩;赵云升;宁艳玲;赵乃卓;仲桂新;;混合像元光谱特征影响因子分析[J];光谱学与光谱分析;2009年12期

2 吴波,张良培,李平湘;基于光谱维小波特征的混合像元投影迭代分解[J];电子学报;2005年11期

3 厉小润;伍小明;赵辽英;;非监督的高光谱混合像元非线性分解方法[J];浙江大学学报(工学版);2011年04期

4 桂预风,张继贤,林宗坚;土地利用遥感动态监测中混合像元的分解方法研究[J];遥感信息;2000年02期

5 吴波;张良培;李平湘;;基于支撑向量回归的高光谱混合像元非线性分解[J];遥感学报;2006年03期

6 杨伟;陈晋;松下文经;宫鹏;陈春晓;;基于相关系数匹配的混合像元分解算法[J];遥感学报;2008年03期

7 戴晓燕;过仲阳;张利权;吴健平;;基于混合像元分类的城市地表覆盖时空演变格局研究[J];地理科学;2009年01期

8 麻庆苗;李静;刘强;柳钦火;;混合像元聚集指数研究及尺度分析[J];遥感学报;2012年05期

9 梁娜;何明一;;基于遗传算法的混合像元快速分解及分类算法[J];遥感技术与应用;2007年04期

10 吴波,张良培,李平湘;非监督正交子空间投影的高光谱混合像元自动分解[J];中国图象图形学报;2004年11期

中国重要会议论文全文数据库 前1条

1 孔祥皓;;混合像元的热红外辐射特性分析与验证[A];遥感定量反演算法研讨会摘要集[C];2010年

中国博士学位论文全文数据库 前1条

1 李春芝;基于高光谱影像的抗噪模型及解混算法研究[D];华东师范大学;2014年

中国硕士学位论文全文数据库 前10条

1 徐行伟;结合原始对偶内点法的全约束丰度估计[D];大连海事大学;2016年

2 周红静;面向混合像元的高光谱遥感数据降维[D];西安电子科技大学;2015年

3 刘俊;高光谱图像混合像元分类技术研究[D];中国地质大学（北京）;2010年

4 孙天琳;水生植物与水体混合像元的偏振高光谱特征分析[D];东北师范大学;2013年

5 冯淦;基于混合像元解混与图像恢复技术的遥感图像云雾消除研究[D];成都理工大学;2012年

6 闫春雨;基于模糊理论的遥感影像混合像元分类方法研究[D];辽宁工程技术大学;2008年

7 杨健;高/多光谱图像混合像元解混研究[D];华中科技大学;2011年

8 何倩倩;枯树叶与土壤混合像元的反射高光谱特征的研究[D];东北师范大学;2013年

9 阎国倩;植被与土壤混合像元的高光谱偏振特性研究[D];东北师范大学;2013年

10 周昕;高光谱遥感图像混合像元分解算法研究[D];浙江大学;2015年

  本文关键词：面向混合像元的高光谱遥感数据降维，由笔耕文化传播整理发布。

，

本文编号：481018