基于稀疏表示的高光谱遥感影像半监督降维算法研究

发布时间：2017-09-27 01:17

  本文关键词：基于稀疏表示的高光谱遥感影像半监督降维算法研究

  更多相关文章： 高光谱遥感 稀疏表示 半监督降维 改进稀疏表示分类器

【摘要】：高光谱遥感影像相比其他遥感数据提供了更加丰富的地球表面信息,在近20年得到了迅速的发展和大量应用。高光谱遥感影像波段多,数据量大,这给数据的处理带来了一定的困难,因此高光谱遥感影像常常要经过特征选择或特征提取等方法进行降维作为高光谱数据的预处理工作。本文从高光谱遥感影像处理技术中的特征提取出发,在深入研究稀疏表示降维方法的基础上提出一种基于稀疏表示的半监督降维算法并将其应用到高光谱遥感数据降维中。论文主要取得以下成果:(1)论文在分析高光谱遥感数据特征的基础上,围绕特征提取的降维算法详细阐述了稀疏表示理论,并引入小波去噪方法对稀疏表示分类器进行改进。通过试验表明结合小波去噪的方法能够有效的提高稀疏表示分类器的性能。(2)分析了基于非监督稀疏表示的降维方法SPGE和监督稀疏表示算法BSGDA,针对BSGDA运算效率低的特点,提出一种“构小图”的方法来构建稀疏相似矩阵进行监督稀疏表示降维算法。通过试验表明采用“构小图”的方法能够大大提高运算效率,为BSGDA的应用奠定了一定的基础。(3)结合半监督学习,利用小波去噪的稀疏分类器和最邻近正规化方法进行样本的增选,在BSGDA的基础上提出一种基于稀疏表示的半监督降维算法。试验表明在训练样本小的情况下,该方法较监督降维算法BSGDA和非监督算法LE能够取得更好的降维效果。
【关键词】：高光谱遥感 稀疏表示 半监督降维 改进稀疏表示分类器
【学位授予单位】：中国矿业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：P237
【目录】：

• 致谢4-5
• 摘要5-6
• Abstract6-14
• 1 绪论14-22
• 1.1 研究背景与意义14-15
• 1.2 相关领域的研究进展15-19
• 1.3 研究内容与技术路线19-20
• 1.4 论文组织结构20-22
• 2 半监督高光谱影像降维理论与方法22-29
• 2.1 半监督降维算法的理论基础22-25
• 2.2 稀疏表示的理论技术25-27
• 2.3 高光谱试验数据27-28
• 2.4 本章小结28-29
• 3 基于小波去噪的稀疏表示分类器29-38
• 3.1 引言29
• 3.2 稀疏表示分类器原理29-30
• 3.3 基于小波去噪的稀疏表示分类器原理30-32
• 3.4 试验与结果分析32-37
• 3.5 本章小结37-38
• 4 监督稀疏降维算法38-47
• 4.1 引言38
• 4.2 监督稀疏降维算法原理38-41
• 4.3 依据标签信息构建稀疏图理论分析41-43
• 4.4 试验与结果分析43-46
• 4.5 本章小结46-47
• 5 基于稀疏表示的半监督高光谱遥感影像降维47-60
• 5.1 引言47
• 5.2 增选样本策略47-49
• 5.3 基于稀疏图的半监督判别分析49-50
• 5.4 试验与分析50-58
• 5.5 本章小结58-60
• 6 结论与展望60-62
• 6.1 结论60-61
• 6.2 展望61-62
• 参考文献62-68
• 作者简历68-70
• 学位论文数据集70

【参考文献】

中国期刊全文数据库 前7条

1 张丽新,王家^，

本文编号：926830