高光谱图像特征学习与分类算法研究

发布时间：2017-10-05 15:02

  本文关键词：高光谱图像特征学习与分类算法研究

  更多相关文章： 高光谱遥感图像 张量标度切 特征提取 特征选择 深度学习 多任务 稀疏表示 分类

【摘要】：近年来,遥感技术飞跃发展使得高光谱成像仪获得的高光谱遥感图像有着光谱分辨率高、光谱通道数多的特点,并在生态科学、地质科学、水文科学、精准农业和军事等领域有着广泛的应用。与此同时,波段数多、数据量大也带来一些诸如计算复杂度高,噪声干扰和标记样本困难等问题。因此,如何有效降低高光谱遥感图像的维度,提取有用的特征是处理高光谱遥感图像需要解决的一个重要问题。本文主要对遥感图像数据的特征学习和分类方法进行研究,通过特征选择和特征提取,降低图像维度,减少存储和计算量,改进分类算法从而提高分类精度。本论文主要工作概括如下：(1)提出一种基于半监督张量标度切特征提取方法,并应用于高光谱遥感图像的分类。首先采用了能够结合高光谱图像空间信息与谱域信息的张量表示法对其进行表示,并对其进行分块处理。接下来根据已标记样本计算样本之间的类间不相似性和类内不相似性,并以此在张量空间通过奇异值分解计算投影矩阵。实验结果表明,该方法将高光谱图像分成若干子张量,不仅保存了原始图像的空间结构,利用了空间与谱间的相关性,更是充分挖掘了图像局部空间相关性,图像数据降维后再利用支撑矢量机进行分类,提高了分类性能。(2)提出一种基于深度学习的高光谱遥感图像波段选择方法,并应用于高光谱遥感图像的分类。首先利用深度网络对高光谱图像每个波段进行特征学习,然后利用Softmax分类器求得的概率值构造出波段之间的相关性矩阵,接着利用谱聚类算法进行聚类,得到冗余度较小的候选波段集,最后利用所选出的波段构造对应的新数据集并用于进行分类判决。实验结果,表明利用支撑矢量机对所选出来的候选波段构成的图像进行分类,获得了更高的性能。(3)提出一种基于权重多任务联合稀疏表示的分类方法。本方法将原始特征相近的样本归为同一个任务,得到若干个任务,数据点所在的不同任务之间具有不同的权重值,影响了联合稀疏表示对字典中原子的选择。通过多任务理论框架,我们能进一步提升稀疏表示分类算法的准确度。本方法的研究目的在于通过使用包含在相关任务中的信息来改善单任务学习的性能。
【关键词】：高光谱遥感图像 张量标度切 特征提取 特征选择 深度学习 多任务 稀疏表示 分类
【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5-6
• ABSTRACT6-10
• 符号对照表10-11
• 缩略语对照表11-15
• 第一章 绪论15-23
• 1.1 研究背景与意义15-17
• 1.1.1 高光谱遥感图像的特点与应用15-16
• 1.1.2 高光谱遥感图像特征降维、波段选择和分类的意义16-17
• 1.2 国内外研究现状分析17-20
• 1.2.1 特征选择研究现状分析17-19
• 1.2.2 特征提取算法研究现状分析19-20
• 1.2.3 分类算法研究现状分析20
• 1.3 论文的主要工作及内容安排20-23
• 第二章 传统降维算法的介绍23-29
• 2.1 几种典型的特征提取算法23-25
• 2.1.1 主成分分析法PCA23
• 2.1.2 线性判别分析LDA23-24
• 2.1.3 标度切SC24-25
• 2.2 几种经典的特征选择算法25-27
• 2.2.1 顺序前进算法SFS25
• 2.2.2 顺序后退算法SBS25-26
• 2.2.3 近邻传播算法AP26-27
• 2.3 总结27-29
• 第三章 基于张量特征提取的高光谱图像分类29-47
• 3.1 引言29
• 3.2 张量及其运算法则介绍29-31
• 3.3 张量标度切TSC31-34
• 3.4 半监督张量标度切34-36
• 3.4.1 半监督特征降维框架34
• 3.4.2 半监督张量标度切STSC34-36
• 3.5 基于张量特征降维的高光谱图像分类方法36-46
• 3.5.1 实验设计36-39
• 3.5.2 分类结果与分析39-44
• 3.5.3 带有类标的训练样本个数对各降维算法性能的影响44-45
• 3.5.4 不带类标样本个数对STSC算法性能的影响45-46
• 3.6 总结46-47
• 第四章 基于深度学习的高光谱遥感图像波段选择47-61
• 4.1 引言47
• 4.2 深度学习47
• 4.3 基于自编码器(AE)的高光谱图像波段选择47-53
• 4.3.1 基于AE的高光谱图像波段的特征学习47-50
• 4.3.2 基于Softmax的波段相似性求解50-52
• 4.3.3 谱聚类选出候选波段集52-53
• 4.4 基于栈式自编码器SAE的高光谱遥感图像的波段选择53-54
• 4.5 实验设计54-59
• 4.5.1 准备实验54-55
• 4.5.2 分类结果分析55-57
• 4.5.3 各算法的性能随所选波段数的增加的性能变化情况57-58
• 4.5.4 对所选择出来的波段进行分析58-59
• 4.6 总结59-61
• 第五章 基于多任务联合稀疏表示的高光谱图像分类61-71
• 5.1 引言61-62
• 5.2 稀疏表示分类62-63
• 5.2.1 稀疏表示62
• 5.2.2 联合稀疏表示62-63
• 5.3 多任务学习63-64
• 5.4 基于权重多任务联合稀疏表示分类方法64-65
• 5.5 基于权重多任务联合稀疏表示高光谱遥感图像分类方法65-69
• 5.5.1 对比实验66-68
• 5.5.2 分类性能随邻域窗大小变化的情况68-69
• 5.6 本章小结69-71
• 第六章 总结与展望71-73
• 6.1 论文总结71
• 6.2 展望71-73
• 参考文献73-81
• 致谢81-83
• 作者简介83

【相似文献】

中国期刊全文数据库 前10条

1 谌德荣;宫久路;陈乾;曹旭平;;基于样本分割的快速高光谱图像异常检测支持向量数据描述方法[J];兵工学报;2008年09期

2 蒲晓丰;雷武虎;张林虎;蒋奇材;;基于Fukunaga-Koontz变换的高光谱图像异常检测[J];红外技术;2010年04期

3 成宝芝;郭宗光;;高光谱图像波段间相关特性研究[J];大庆师范学院学报;2013年06期

4 杨龙;易宏杰;李因彦;;遥感高光谱图像赤潮识别[J];传感器世界;2007年05期

5 汪倩;陶鹏;;结合空间信息的高光谱图像快速分类方法[J];微计算机信息;2010年21期

6 王立国;孙杰;肖倩;;结合空-谱信息的高光谱图像分类方法[J];黑龙江大学自然科学学报;2010年06期

7 冯朝丽;朱启兵;朱晓;黄敏;;基于光谱特征的玉米品种高光谱图像识别[J];江南大学学报(自然科学版);2012年02期

8 付欢;龙海南;韩晓霞;;基于冗余字典的高光谱图像的稀疏分解[J];河北软件职业技术学院学报;2013年04期

9 耿修瑞,张霞,陈正超,张兵,郑兰芬,童庆禧;一种基于空间连续性的高光谱图像分类方法[J];红外与毫米波学报;2004年04期

10 张绮玮;机载高光谱遥感图像处理软件系统[J];红外;2005年02期

中国重要会议论文全文数据库 前10条

1 张兵;王向伟;郑兰芬;童庆禧;;高光谱图像地物分类与识别研究[A];成像光谱技术与应用研讨会论文集[C];2004年

2 高连如;张兵;孙旭;李山山;张文娟;;高光谱数据降维与分类技术研究[A];第八届成像光谱技术与应用研讨会暨交叉学科论坛文集[C];2010年

3 王成;何伟基;陈钱;;基于波段重组和小波变换的高光谱图像嵌入式压缩方法[A];黑龙江、江苏、山东、河南、江西 五省光学（激光）联合学术‘13年会论文（摘要）集[C];2013年

4 孙蕾;罗建书;;基于分类预测的高光谱遥感图像无损压缩[A];第一届建立和谐人机环境联合学术会议（HHME2005）论文集[C];2005年

5 杨勇;刘木华;邹小莲;苗蓬勃;赵珍珍;;基于高光谱图像技术的猕猴桃硬度品质检测[A];走中国特色农业机械化道路——中国农业机械学会2008年学术年会论文集（下册）[C];2008年

6 张晓红;张立福;王晋年;童庆禧;;HJ-1A卫星高光谱遥感图像质量综合评价[A];第八届成像光谱技术与应用研讨会暨交叉学科论坛文集[C];2010年

7 高东生;高连知;;基于独立分量分析的高光谱图像目标盲探测方法研究[A];国家安全地球物理丛书（八）——遥感地球物理与国家安全[C];2012年

8 冯维一;陈钱;何伟基;;基于小波稀疏的高光谱目标探测算法[A];黑龙江、江苏、山东、河南、江西 五省光学（激光）联合学术‘13年会论文（摘要）集[C];2013年

9 彭妮娜;易维宁;方勇华;;基于核函数的高光谱图像信息提取研究[A];光子科技创新与产业化——长三角光子科技创新论坛暨2006年安徽博士科技论坛论文集[C];2006年

10 蒲晓丰;雷武虎;黄涛;王迪;;基于稳健背景子空间的高光谱图像异常检测[A];中国光学学会2010年光学大会论文集[C];2010年

中国博士学位论文全文数据库 前10条

1 普晗晔;高光谱遥感图像的解混理论和方法研究[D];复旦大学;2014年

2 王亮亮;非线性流形结构在高光谱图像异常检测中的应用研究[D];国防科学技术大学;2014年

3 贺智;改进的经验模态分解算法及其在高光谱图像分类中的应用[D];哈尔滨工业大学;2014年

4 魏然;基于成像机理分析的高光谱图像信息恢复研究[D];哈尔滨工业大学;2015年

5 叶珍;高光谱图像特征提取与分类算法研究[D];西北工业大学;2015年

6 冯婕;基于软计算和互信息理论的遥感图像地物分类[D];西安电子科技大学;2014年

7 孙涛;快速多核学习分类研究及应用[D];西安电子科技大学;2015年

8 李昌国;基于谱间和校正相关性的高光谱图像压缩方法研究及GPU并行实现[D];成都理工大学;2015年

9 徐速;基于压缩感知的高光谱图像稀疏解混方法研究[D];重庆大学;2015年

10 南一冰;星载推扫型高光谱运动成像误差建模与高精度校正技术研究[D];北京理工大学;2015年

中国硕士学位论文全文数据库 前10条

1 赵伟彦;果蔬干燥过程中的品质无损检测技术研究[D];江南大学;2015年

2 马亚楠;果蔬中内部害虫的高光谱图像检测技术研究[D];江南大学;2015年

3 刘大洋;基于近红外光谱和高光谱图像技术无损识别猕猴桃膨大果[D];西北农林科技大学;2015年

4 王坤;高光谱图像异常目标检测及光谱成像在伪装评估方面的应用研究[D];南京理工大学;2015年

5 王U喺，

本文编号：977432