基于KNN非局部滤波的高光谱图像分类方法研究

发布时间：2017-10-06 21:22

  本文关键词：基于KNN非局部滤波的高光谱图像分类方法研究

  更多相关文章： 高光谱图像 地物分类 空谱分类 支持向量机 KNN算法 主动学习算法

【摘要】：高光谱遥感技术通过数十至数百个连续且细分的光谱波段对目标区域同时成像,成像的每个像元点蕴含丰富的光谱信息,为进行高精度的地物识别和分类提供可能性,因此,高光谱图像分类成为高光谱遥感核心技术之一。然而,如何利用高光谱图像的空间信息和如何选取训练样本是高光谱图像面临两大难点。本文针对以上两个难点,进行研究,提出基于KNN非局部滤波的高光谱图像分类方法,并通过主动学习算法指导该分类方法选取训练样本。本文的工作简要概括如下：1.基于KNN非局部滤波的高光谱图像分类方法：该方法先根据高光谱图像的光谱信息,通过支持向量机SVM进行分类得到分类概率图,接着利用基于KNN的非局部滤波提取高光谱图像的空间信息,对先前的分类概率图进行滤波优化,得到最终的分类结果。实验证明,基于KNN的非局部滤波能有效地利用高光谱图像的空间信息提高分类精度。2.联合主动学习与KNN非局部滤波的高光谱图像分类方法：由基于KNN非局部滤波高光谱图像分类方法得到的优化概率图,迭代地指导分类器选取最具信息的样本进行标记,通过主动学习算法建立一组紧凑而高效的训练样本集,让分类器在该训练样本集的训练下取得高精度的分类结果。3.高光谱图像分类软件：基于MFC应用程序框架,利用计算机视觉开源库OpenCV和MATLAB R2014b提供的外部链接库进行联合编程,实现了高光谱图像的读取显示、训练样本的标记以及高光谱图像的分类等功能。本文通过实验验证了所提方法的有效性。实验结果显示：基于KNN非局部滤波的高光谱图像分类方法能够取得高精度的分类结果。通过主动学习,指导该分类器方法选取训练样本,能有效减少训练样本。
【关键词】：高光谱图像 地物分类 空谱分类 支持向量机 KNN算法 主动学习算法
【学位授予单位】：湖南大学
【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1章 绪论10-17
• 1.1 研究背景及意义10-11
• 1.2 高光谱遥感技术的发展现状11-12
• 1.3 高光谱图像分类技术研究现状12-15
• 1.3.1 高光谱图像监督分类方法13-14
• 1.3.2 高光谱图像无监督分类方法14
• 1.3.3 高光谱图像半监督分类方法14-15
• 1.4 论文目标及结构安排15-17
• 第2章 基于KNN非局部滤波的高光谱图像分类方法17-31
• 2.1 引言17-18
• 2.2 SVM分类器18-20
• 2.2.1 线性SVM分类器18-19
• 2.2.2 非线性SVM分类器19-20
• 2.2.3 SVM在高光谱图像分类的运用20
• 2.3 KNN算法20-22
• 2.3.1 KNN算法原理20-21
• 2.3.2 基于KNN非局部滤波器21-22
• 2.4 基于KNN非局部滤波的高光谱图像分类22-23
• 2.5 实验23-30
• 2.5.1 高光谱图像分类精度指标23-24
• 2.5.2 印度松图像(IndiaP)分类实验24-27
• 2.5.3 博茨瓦纳草原湿地植被图像(Botswana)分类实验27-30
• 2.6 本章总结30-31
• 第3章 联合主动学习与KNN非局部滤波的高光谱图像分类方法31-43
• 3.1 引言31-32
• 3.2 主动学习32-37
• 3.2.1 基于专家委员会的主动学习33-34
• 3.2.2 基于间隔的主动学习算法34-35
• 3.2.3 基于后验概率的主动学习算法35-37
• 3.3 联合主动学习与KNN非局部滤波的高光谱图像分类37-38
• 3.4 实验38-42
• 3.4.1 印度松图像(IndiaP)实验39-41
• 3.4.2 博茨瓦纳草原湿地植被图像(Botswana)实验41-42
• 3.5 本章总结42-43
• 第4章 高光谱图像分类软件实现43-55
• 4.1 开发工具介绍43-44
• 4.1.1 VS2010与MFC基本类库43
• 4.1.2 计算机视觉开源库OpenCV43-44
• 4.2 软件结构44-45
• 4.3 软件界面设计45-46
• 4.4 软件开发关键技术46-48
• 4.4.1 基于MFC的界面46-47
• 4.4.2 高光谱图像分类方法的开发47-48
• 4.4.3 高光谱图像的基本操作48
• 4.5 软件的操作48-54
• 4.5.1 高光谱图像的读取和显示49-51
• 4.5.2 高光谱图像训练样本的选取51-52
• 4.5.3 高光谱图像分类方法的选取和参数设置52-53
• 4.5.4 高光谱图像分类结果53-54
• 4.6 本章总结54-55
• 总结与展望55-57
• 参考文献57-63
• 致谢63-64
• 附录A 攻读学位期间所发表的学术论文目录64

【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 丰烁;高光谱图像波段选取问题的改进算法研究[D];昆明理工大学;2015年

2 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

3 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

4 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

5 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

6 王启聪;高光谱图像分类的GPU并行优化研究[D];南京理工大学;2015年

7 程凯;无先验信息的高光谱图像小目标检测算法研究[D];苏州大学;2015年

8 李秩期;基于高光谱及多信息融合的马铃薯外部缺陷无损检测研究[D];宁夏大学;2015年

9 王健;基于高光谱图像的马铃薯形状及重量分类识别建模研究[D];宁夏大学;2015年

10 吴蓓芬;偏振高光谱图像场景仿真及分类方法研究[D];哈尔滨工业大学;2015年

，

本文编号：985079