高光谱图像流形学习算法研究

发布时间：2017-08-01 01:26

  本文关键词：高光谱图像流形学习算法研究

  更多相关文章： 降维 等距映射算法 L1范数 稀疏特性 高光谱图像

【摘要】：高光谱图像通常由上百个波段组成,其中包含丰富的空间、辐射以及光谱信息。然而,这些高维数据也会造成维度灾难问题,导致数据难以有效利用。本论文提出利用流形学习算法对高光谱图像进行降维。对于高光谱图像,高维空间中的数据往往是按照一定的低维空间结构排列,这些结构被称为“流形”。本论文基于流形学习挖掘这些高维数据集中的特定结构,以便进行回归分析以及分类等后续处理。然而,大部分流形学习算法对大小为N×N的数据相似矩阵进行特征向量分析,其中N表示数据点的数量。该分析的复杂度至少为O(N2),使得普通计算机对大数据集进行数据运算和存储十分困难。为了解决这一问题,本论文引入了一个高光谱图像流形学习降维框架。首先,利用统计学采样方法得到原数据集的一个子集作为界标(Landmark);第二步,根据这些界标进行流形学习降维形成流形骨架;第三步,将剩余的数据使用局部线性嵌入算法嵌入到流形骨架中,从而完成高光谱图像降维;最后,使用已有的k最近邻(KNN)分类方法,对不同流形学习算法降维前后的数据进行分类,验证分类效果。本论文主要针对等距映射算法以及局部线性嵌入算法在邻域选择等问题上存在的缺点,引入具有稀疏特性的L1范数,对上述算法进行改进。首先,针对常规等距映射算法存在的邻域连接问题,使用L1与L2范数结合的算法,优化算法中邻域选择时的“短路”问题。其次,针对局部线性嵌入(LLE)算法中邻域选择范围较小的问题,引入L1范数,使算法自适应地在较大的邻域范围内选择近邻点。最后,利用已有数据集标签信息,建立监督学习得到的邻域关系图,进一步强化邻域选择效果。本论文将局部曲率变化采样的高光谱流形学习框架和改进后的流形学习算法应用在机载可见光/红外成像光谱仪(AVIRIS)高光谱图像中,分析了不同采样方法、不同流形学习算法以及不同关键参数对降维结果的影响。实验表明本论文使用的高光谱流形学习框架切实可行,能够取得较好的降维效果,在保留数据主体结构的同时,高光谱图像可以被降维到低维空间,并利用常用的几种流形学习算法进行土地利用分类结果精度比较,结果表明,本论文提出的算法分类精度高于主成分分析、原始Isomap算法等其他算法2%-5%。
【关键词】：降维 等距映射算法 L1范数 稀疏特性 高光谱图像
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP751
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 绪论10-16
• 1.1 研究意义10-11
• 1.2 国内外研究现状和发展态势11-14
• 1.3 本论文研究内容和结构14-16
• 1.3.1 主要研究内容14
• 1.3.2 论文结构框架14-16
• 第二章 高光谱图像流形学习算法分类16-25
• 2.1 线性流形学习降维方法16-19
• 2.1.1 主成分分析16-18
• 2.1.2 线性判别分析18
• 2.1.3 其它线性流形学习算法18-19
• 2.2 非线性流形学习降维方法19-23
• 2.2.1 等距映射算法19-21
• 2.2.2 局部线性嵌入算法21-22
• 2.2.3 局部切空间分析算法22-23
• 2.2.4 其它非线性流形学习算法23
• 2.3 线性和非线性流形学习效果比较23-24
• 2.4 本章小结24-25
• 第三章 高光谱图像流形学习降维框架25-33
• 3.1 数据采样26-28
• 3.1.1 局部曲率变化采样26-27
• 3.1.2 Min-max采样27-28
• 3.1.3 随机采样28
• 3.2 流形学习28-29
• 3.3 未采样数据点嵌入29-30
• 3.4 数据分类验证以及精度评价30-32
• 3.4.1 KNN分类30-31
• 3.4.2 精度评价31-32
• 3.5 本章小结32-33
• 第四章 流形学习L1范数增强原理33-41
• 4.1 L1范数与L2范数异同33-35
• 4.2 L1范数与L2范数优化35-36
• 4.3 基于L1范数Isomap邻域关系图36-38
• 4.4 基于L1范数数据嵌入38-39
• 4.5 监督邻域关系图39-40
• 4.6 本章小结40-41
• 第五章 基于流形学习高光谱图像降维应用41-70
• 5.1 数据集介绍41-42
• 5.2 采样方法比较42-44
• 5.3 基于L1范数算法优化44-50
• 5.3.1 基于L1范数Isomap算法验证44-47
• 5.3.2 基于L1范数LLE算法验证47-49
• 5.3.3 监督邻域图算法验证49-50
• 5.4 流形学习在高光谱遥感图像降维中的应用50-68
• 5.4.1 Salinas-A高光谱图像降维50-59
• 5.4.2 Indian Pines高光谱图像降维59-64
• 5.4.3 Salinas高光谱图像降维64-68
• 5.5 本章小结68-70
• 第六章 结论和展望70-72
• 6.1 总结70
• 6.2 展望70-72
• 致谢72-73
• 参考文献73-79
• 攻读硕士期间发表论文79-80

【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 黄焱;基于流形学习的金融数据分析方法研究[D];电子科技大学;2015年

3 马婧华;基于流形学习的旋转机械早期故障融合诊断方法研究[D];重庆大学;2015年

4 邢向磊;流形学习与稀疏表示在模式识别中的应用[D];南京大学;2013年

5 卢磊;机械加工过程中的早期故障微弱信号处理方法研究[D];哈尔滨工业大学;2016年

6 郝中华;基于微分流形的非线性降维方法研究[D];上海大学;2016年

7 黄红兵;层次流形学习及其在监督分类中的应用[D];上海交通大学;2015年

8 杜春;流形学习及其应用算法研究[D];国防科学技术大学;2014年

9 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

10 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

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 金伟;监督型流形学习在模式识别中的研究[D];中国计量学院;2015年

3 郝勇智;基于流形学习的半监督分类方法及其应用[D];中北大学;2016年

4 干强;等距映射流形学习算法中的若干问题研究[D];南京大学;2016年

5 刘学;基于流形学习的时间序列聚类研究[D];河北经贸大学;2016年

6 陈鹏飞;转子故障数据降维的流形学习方法研究[D];兰州理工大学;2016年

7 卢雨风;高光谱图像流形学习算法研究[D];电子科技大学;2016年

8 范自立;选择标注分层流形学习算法研究[D];苏州大学;2011年

9 吕伟泽;流形学习算法数据适用性问题的研究[D];燕山大学;2013年

10 黄运娟;等谱流形学习算法及其应用研究[D];苏州大学;2014年

，

本文编号：601973