高光谱遥感图像的稀疏表示分类方法研究

发布时间：2017-09-07 03:42

  本文关键词：高光谱遥感图像的稀疏表示分类方法研究

  更多相关文章： 高光谱遥感 图像分类 稀疏表示 空-谱结合

【摘要】：在20世纪80年代,对地遥感测观测手段由多光谱遥感发展到了高光谱遥感。高光谱遥感图像随即成为对地观测的主要手段之一。高光谱遥感图像以其达到纳米级的光谱分辨率,探测和揭示了许多传统全色探测中不可观测到的,隐藏在光谱曲线中的地物目标特性,因此高光谱图像在许多领域都得到了广泛的应用,并成为世界上许多国家对地遥感系统的重要组成部分。而在高光谱遥感图像的研究中,高光谱遥感图像分类是其中的重点和基础。在机器学习领域,许多用于高光谱图像分类的算法都被提出。近几年,作为机器学习领域的热点,稀疏表示也被成功应用到了高光谱图像分类当中。基于稀疏表示的高光谱图像分类方法从经典的利用光谱信息分类开始,演变到目前的空-谱结合的分类思路。本文就基于稀疏表示在高光谱图像分类方法方面做了一些研究,包括以下内容:(1)针对经典的高光谱图像稀疏表示分类方法精度不高,时间复杂度较高的缺点,提出了一种基于字典和波段重组的高光谱图像稀疏表示分类方法。在该算法中,在算法开始时使用邻域均值化预处理,并在判断最终分类结果时使用多图K近邻(k-Nearest Neighbor,KNN)融合策略,以达到充分利用高光谱图像空间信息,使空-谱信息相结合的目的;依照高光谱图像地物目标的光谱特性对其进行波段重组和分割,并与最终使用多图KNN策略有机地结合,以达到更加充分利用光谱信息的目的。并且简化了经典的高光谱图像稀疏表示算法,极大地降低了算法的时间复杂度。从实验结果来看,该算法时间复杂度低,且分类精度高。(2)提出了一种基于带权重的像元块的高光谱稀疏表示分类方法。该方法在现有的高光谱遥感图像联合稀疏表示分类器(Joint Sparse Representation Classifier,JSRC)的基础之上,对其中最主要的联合稀疏矩阵重建算法:联合正交匹配追踪算法(Simultaneous Orthogonal Matching Pursuit,SOMP)与联合子空间追踪算法(Simultaneous Subspace Pursuit,SSP)进行了深入研究,提出了Weighted Pixel Block SOMP(WPB-SOMP)与Weighted Pixel Block SSP(WPB-SSP)算法。这两种算法分别按照SOMP与SSP本身的特性对其加以改进,将分类结果赋予以待分类像元为中心的像元块,并利用该像元块中所有像元的标准差对该像元块进行权值的判定。在接下来的计算中,将待分类像元所属的全部像元块按照所分的类别进行同类别权值相加,得到属于每一类别的像元块的总权值,最终用每一类的总权值进行判断,得到待分类像元最终的分类结果。该方法利用到了联合稀疏矩阵重建算法SOMP与SSP中忽略掉的邻域像元的类别赋值,并对其进行权值的判断,与SOMP与SSP相比,具有更高的分类精度,并且时间复杂度增加很少。
【关键词】：高光谱遥感 图像分类 稀疏表示 空-谱结合
【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
• ABSTRACT7-12
• 符号对照表12-13
• 缩略语对照表13-16
• 第一章 绪论16-20
• 1.1 课题背景及研究意义16-17
• 1.2 高光谱图像分类的研究现状与面临的问题17-18
• 1.3 论文主要工作和内容安排18-20
• 第二章 高光谱图像稀疏表示分类20-39
• 2.1 引言20
• 2.2 高光谱图像分类20-26
• 2.2.1 高光谱图像数据表示与分析20-21
• 2.2.2 高光谱图像特征21
• 2.2.3 高光谱图像分类方法概述21-26
• 2.3 稀疏表示算法26-31
• 2.3.1 稀疏表示算法原理26-28
• 2.3.2 稀疏表示在高光谱图像分类中的应用28-31
• 2.4 实验31-38
• 2.4.1 Indian Pines数据32-35
• 2.4.2 Pavia校园高光谱遥感图像实验35-38
• 2.5 本章小结38-39
• 第三章 基于字典和波段重组的高光谱图像稀疏表示分类方法39-60
• 3.1 引言39
• 3.2 基于字典和波段重组的高光谱图像稀疏表示快速分类方法39-47
• 3.2.1 高光谱图像预处理41-42
• 3.2.2 高光谱图像波段重组42-45
• 3.2.3 基于字典的最近邻高光谱图像分类方法45-46
• 3.2.4 n-KNN图像融合策略46-47
• 3.3 实验结果及分析47-59
• 3.3.1 Indian Pines实验47-53
• 3.3.2 Pavia大学高光谱遥感图像实验53-59
• 3.4 本章小结59-60
• 第四章 一种基于带权重的像元块的高光谱稀疏表示分类方法60-78
• 4.1 引言60
• 4.2 联合稀疏表示分类器JSRC60-63
• 4.3 一种基于带权重的像元块的高光谱稀疏表示分类方法63-66
• 4.3.1 算法原理63-66
• 4.3.2 算法流程66
• 4.4 实验结果及分析66-76
• 4.4.1 Indian Pines实验66-71
• 4.4.2 Pavia校园图实验71-76
• 4.5 本章小结76-78
• 第五章 总结和展望78-80
• 5.1 论文工作总结78
• 5.2 未来工作展望78-80
• 参考文献80-84
• 致谢84-86
• 作者简介86-87

【参考文献】

中国期刊全文数据库 前2条

1 王圆圆;李京;;基于决策树的高光谱数据特征选择及其对分类结果的影响分析[J];遥感学报;2007年01期

2 钱乐祥,泮学芹,赵芊;中国高光谱成像遥感应用研究进展[J];国土资源遥感;2004年02期

，

本文编号：807227