基于高斯过程的高光谱图像分类算法研究

发布时间：2017-05-19 07:20

  本文关键词：基于高斯过程的高光谱图像分类算法研究，由笔耕文化传播整理发布。

【摘要】：由于高光谱图像具有高维非线性,像元混合严重,信息冗余等特点,使得其图像处理相当复杂。为了能够避免高光谱数据处理过程中,出现的Hughes现象,即维数灾难,将高斯过程分类(Gaussian Process Classifier,GPC)引入其中。高斯过程分类(Gaussian Process Classifier,GPC)是一种,在贝叶斯(Bayesian)框架下的概率化分类算法,是贝叶斯完全概率化表达,已经成功用于模式识别与软工业测量等领域。本文在高斯过程的基础上,以高光谱数据为背景,对高光谱图像高斯过程分类算法进行深入研究。本文针对高光谱图像分类的主要工作如下:1.介绍高斯过程基本原理,简要分析分类的基础理论,高光谱图像的特点,给出了图像分类的评价指标体系,同时给出了高斯过程高光谱分类模型。2.以拉普拉斯近似化方法下为例,介绍直接法多类分类算法。以二类分类为基础进行高光谱图像分类,提出一种间接多目标分类方法即二对二高斯过程多目标分类。以二类分类为基础的高光谱图像在算法实现上比较简洁,优化二类分类的同时,即意味着优化多类分类。3.在分析核函数的不同特点的基础上,给出了几种组合核函数,并将其用于高光谱图像分类中,取得了一定效果。组合核函数的优点在于:依据不同性能的核函数组合而成的新构造的核函数既拥有局部性能更好核函数的学习能力,又能够拥有全局性能较好核函数的更好的推广能力。4.介绍了Parzen窗似然估计的基本原理,再结合组合核函数,提出Parzen窗组合函数高斯过程分类算法,应用到高光谱分类中,并取得一定效果。
【关键词】：高斯过程 贝叶斯估计 组合核函数 高光谱图像分类 Parzen窗
【学位授予单位】：东华理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：P237
【目录】：

• 摘要3-4
• Abstract4-8
• 1 绪论8-16
• 1.1 研究背景8-9
• 1.2 国内外研究现状9-13
• 1.2.1 高光谱图像分类技术研究现状9-12
• 1.2.2 高斯过程研究现状12-13
• 1.3 本文研究的主要目的及内容13-16
• 2 基于高斯过程的高光谱图像分类算法16-24
• 2.1 高斯过程基本原理16-18
• 2.1.1 机器学习理论16-17
• 2.1.2 贝叶斯理论17-18
• 2.1.3 高斯过程原理18
• 2.2 分类决策理论18-19
• 2.3 高光谱图像的特性19-20
• 2.4 分类精度评价体系20-21
• 2.5 高斯过程高光谱图像分类算法21-23
• 2.6 本章小结23-24
• 3 基于多目标策略高斯过程的高光谱图像分类模型24-32
• 3.1 直接高斯过程多类分类算法24-27
• 3.2 间接高斯过程多类分类算法27-28
• 3.3 实验结果与分析28-31
• 3.4 本章小结31-32
• 4 基于组合核函数高斯过程的高光谱图像分类模型32-42
• 4.1 核函数的含义32-34
• 4.1.1 核函数的性质32-33
• 4.1.2 核函数分类33-34
• 4.2 组合核函数34
• 4.3 基于组合核函数高斯过程的高光谱图像算法34-37
• 4.3.1 后验分布的求取34-35
• 4.3.2 待测样本的估计35-36
• 4.3.3 边界似然的计算36-37
• 4.4 实验结果与分析37-40
• 4.5 本章小结40-42
• 5 基于Parzen窗-组合核函数高斯过程高光谱图像分类模型42-52
• 5.1 Parzen窗估计法原理42-43
• 5.2 基于Parzen窗-组合核函数高斯过程高光谱分类算法43-48
• 5.2.1 后验概率的估计44-45
• 5.2.2 潜变函数的学习45-47
• 5.2.3 预测阶段47-48
• 5.3 实验结果与分析48-50
• 5.4 本章小结50-52
• 6 结论与展望52-54
• 6.1 结论52
• 6.2 展望52-54
• 致谢54-56
• 参考文献56-58

【参考文献】

中国期刊全文数据库 前1条

1 摆玉龙;杨志民;;基于Parzen窗法的贝叶斯参数估计[J];计算机工程与应用;2007年07期

  本文关键词：基于高斯过程的高光谱图像分类算法研究，，由笔耕文化传播整理发布。

本文编号：378068