基于鲁棒性极端学习机的高光谱特征与图像分类研究
发布时间：2021-01-03 23:29
随着传感器和信息技术的发展进步,高空间分辨率的高光谱图像分类技术得到了越来越多的研究和应用,如人脸识别检测、图像处理等领域。然而,高光谱图像在拥有丰富信息的同时,还存在着图像信息数据量过大、相关性强等诸多问题,这极大地提高了高光谱图像信息提取和分类的效率和难度。目前传统的高光谱图像分类技术主要采用了提取图像的光谱特征,进而对图像进行分类处理,但却完全忽略了图像中存在的包含重要数据和信息的空间特征。近年来,人们对利用提取空间特征信息来提高高光谱图像分类性能的方法有着极大的研究兴趣。本论文比较系统的研究了高光谱图像的特征提取和分类方法,将图像的光谱特征和空间特征结合起来,并深入的研究了基于极端学习机分类器的高光谱图像分类技术和算法,论文主要的内容和重点如下:（1）研究了基于局部二值模式的高光谱图像空间特征提取。该方法在空间特征提取方面有着显著的优势,并将提取的空间特征向量与光谱特征向量相结合,得到新的空谱联合特征向量,以解决图像分类过程中提取单一特征导致特征提取不充分、分类效果不理想的问题。（2）提出了基于空谱特征的核极端学习机高光谱图像分类算法,使用核极端学习机分类器,代替传统的极端学习...
【文章来源】：辽宁师范大学辽宁省
【文章页数】：28 页
【学位级别】：硕士
【部分图文】：
LBP算法示例[44].（a）中心像素tc及其8个半径r=1的70}{iit圆形邻域；（b）3×3样本示例；（c）8个邻域的二进制标签.
基于鲁棒性极端学习机的高光谱特征与图像分类研究8图2LBP特征提取的实现[45]要注意的是，在本文中，我们使用的是原始LBP的扩展，称为均匀模式。均匀模式可以有效地减少特征向量并实现简单的旋转不变算子。如果二进制模式中最多包含两个0-1或1-0转换，则LBP被称为均匀的。在求解每个波段的LBP直方图时，将所有非均匀的图案都分配到一个单格点上。然后，一个波段的特征向量就可以从256个减少到59个。2.2空谱特征结合理论光谱特征包含了用于区分不同类型的地面类别的重要信息，空间特征则在减少类内方差的同时可以改善分类性能。因此，光谱和空间特征向量的组合，为实现高光谱图像的分类提供了更可靠的结果。本文中，通过使用矢量堆叠方法，来解决光谱和空间特征向量的集成，如图3所示。具体地是，对于每个像素，将其空间特征向量添加到光谱特征向量的末尾，即可得到新的空谱特征向量。然后，将这些新的空谱特征向量引入到分类器中进行分类。详细的分类模型将在以下小节中描述。图3光谱特征和空间特征提取及矢量堆叠方法流程图[45]
基于鲁棒性极端学习机的高光谱特征与图像分类研究8图2LBP特征提取的实现[45]要注意的是，在本文中，我们使用的是原始LBP的扩展，称为均匀模式。均匀模式可以有效地减少特征向量并实现简单的旋转不变算子。如果二进制模式中最多包含两个0-1或1-0转换，则LBP被称为均匀的。在求解每个波段的LBP直方图时，将所有非均匀的图案都分配到一个单格点上。然后，一个波段的特征向量就可以从256个减少到59个。2.2空谱特征结合理论光谱特征包含了用于区分不同类型的地面类别的重要信息，空间特征则在减少类内方差的同时可以改善分类性能。因此，光谱和空间特征向量的组合，为实现高光谱图像的分类提供了更可靠的结果。本文中，通过使用矢量堆叠方法，来解决光谱和空间特征向量的集成，如图3所示。具体地是，对于每个像素，将其空间特征向量添加到光谱特征向量的末尾，即可得到新的空谱特征向量。然后，将这些新的空谱特征向量引入到分类器中进行分类。详细的分类模型将在以下小节中描述。图3光谱特征和空间特征提取及矢量堆叠方法流程图[45]
【参考文献】：
期刊论文
[1]基于空谱联合协同表征的高光谱图像分类算法[J]. 刘颖,刘蕊,李大湘,杨凡超. 计算机工程与设计. 2020(03)
[2]结合最大似然算法和波利亚罐模型的全色遥感图像分类[J]. 李杰,李玉,王玉,赵泉华. 测绘通报. 2018(04)
[3]基于聚类和最佳指数的快速高光谱波段选择方法[J]. 郭彤,华文深,刘恂,刘晓光. 光学技术. 2016(06)
[4]高光谱遥感图像空谱联合分类方法研究[J]. 李铁,孙劲光,张新君,王星. 仪器仪表学报. 2016(06)
[5]融合光谱-空间信息的高光谱遥感影像增量分类算法[J]. 王俊淑,江南,张国明,李杨,吕恒. 测绘学报. 2015(09)
[6]K-means和ISODATA聚类算法的比较研究[J]. 陈平生. 江西理工大学学报. 2012(01)
[7]ISODATA算法的实现与分析[J]. 杨小明,罗云. 采矿技术. 2006(02)
博士论文
[1]基于空谱特征挖掘的高光谱图像分类方法研究[D]. 刘务.哈尔滨工程大学 2018
[2]基于高斯过程的高光谱图像分类研究[D]. 姚伏天.浙江大学 2011
硕士论文
[1]融合空-谱信息的高光谱图像分类方法研究[D]. 商卉.哈尔滨工程大学 2019
[2]高光谱图像的特征提取与分类识别方法研究[D]. 吉春蕊.西安电子科技大学 2018
本文编号：2955690
【文章来源】：辽宁师范大学辽宁省
【文章页数】：28 页
【学位级别】：硕士
【部分图文】：
LBP算法示例[44].（a）中心像素tc及其8个半径r=1的70}{iit圆形邻域；（b）3×3样本示例；（c）8个邻域的二进制标签.
基于鲁棒性极端学习机的高光谱特征与图像分类研究8图2LBP特征提取的实现[45]要注意的是，在本文中，我们使用的是原始LBP的扩展，称为均匀模式。均匀模式可以有效地减少特征向量并实现简单的旋转不变算子。如果二进制模式中最多包含两个0-1或1-0转换，则LBP被称为均匀的。在求解每个波段的LBP直方图时，将所有非均匀的图案都分配到一个单格点上。然后，一个波段的特征向量就可以从256个减少到59个。2.2空谱特征结合理论光谱特征包含了用于区分不同类型的地面类别的重要信息，空间特征则在减少类内方差的同时可以改善分类性能。因此，光谱和空间特征向量的组合，为实现高光谱图像的分类提供了更可靠的结果。本文中，通过使用矢量堆叠方法，来解决光谱和空间特征向量的集成，如图3所示。具体地是，对于每个像素，将其空间特征向量添加到光谱特征向量的末尾，即可得到新的空谱特征向量。然后，将这些新的空谱特征向量引入到分类器中进行分类。详细的分类模型将在以下小节中描述。图3光谱特征和空间特征提取及矢量堆叠方法流程图[45]
基于鲁棒性极端学习机的高光谱特征与图像分类研究8图2LBP特征提取的实现[45]要注意的是，在本文中，我们使用的是原始LBP的扩展，称为均匀模式。均匀模式可以有效地减少特征向量并实现简单的旋转不变算子。如果二进制模式中最多包含两个0-1或1-0转换，则LBP被称为均匀的。在求解每个波段的LBP直方图时，将所有非均匀的图案都分配到一个单格点上。然后，一个波段的特征向量就可以从256个减少到59个。2.2空谱特征结合理论光谱特征包含了用于区分不同类型的地面类别的重要信息，空间特征则在减少类内方差的同时可以改善分类性能。因此，光谱和空间特征向量的组合，为实现高光谱图像的分类提供了更可靠的结果。本文中，通过使用矢量堆叠方法，来解决光谱和空间特征向量的集成，如图3所示。具体地是，对于每个像素，将其空间特征向量添加到光谱特征向量的末尾，即可得到新的空谱特征向量。然后，将这些新的空谱特征向量引入到分类器中进行分类。详细的分类模型将在以下小节中描述。图3光谱特征和空间特征提取及矢量堆叠方法流程图[45]
【参考文献】：
期刊论文
[1]基于空谱联合协同表征的高光谱图像分类算法[J]. 刘颖,刘蕊,李大湘,杨凡超. 计算机工程与设计. 2020(03)
[2]结合最大似然算法和波利亚罐模型的全色遥感图像分类[J]. 李杰,李玉,王玉,赵泉华. 测绘通报. 2018(04)
[3]基于聚类和最佳指数的快速高光谱波段选择方法[J]. 郭彤,华文深,刘恂,刘晓光. 光学技术. 2016(06)
[4]高光谱遥感图像空谱联合分类方法研究[J]. 李铁,孙劲光,张新君,王星. 仪器仪表学报. 2016(06)
[5]融合光谱-空间信息的高光谱遥感影像增量分类算法[J]. 王俊淑,江南,张国明,李杨,吕恒. 测绘学报. 2015(09)
[6]K-means和ISODATA聚类算法的比较研究[J]. 陈平生. 江西理工大学学报. 2012(01)
[7]ISODATA算法的实现与分析[J]. 杨小明,罗云. 采矿技术. 2006(02)
博士论文
[1]基于空谱特征挖掘的高光谱图像分类方法研究[D]. 刘务.哈尔滨工程大学 2018
[2]基于高斯过程的高光谱图像分类研究[D]. 姚伏天.浙江大学 2011
硕士论文
[1]融合空-谱信息的高光谱图像分类方法研究[D]. 商卉.哈尔滨工程大学 2019
[2]高光谱图像的特征提取与分类识别方法研究[D]. 吉春蕊.西安电子科技大学 2018
本文编号：2955690
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/2955690.html
最近更新
教材专著
