高光谱遥感影像分类方法的对比研究
发布时间：2021-03-29 14:12
近些年来,在遥感影像研究领域,高光谱遥感影像以其独特的优势引起了人们的极大关注,它能够在拥有较高的光谱分辨率的同时也能保持较高的空间分辨率,其“图谱合一”的性质,能够更好的反应图像的自然属性,从而为地物的识别提供丰富的信息。因此,人们为了更好地利用高光谱遥感数据获得有用的地物信息,开始关注于高光谱数据分类问题。分类是一个很重要的基础性工作,高精度的遥感影像分类对满足社会经济等发展具有重要的意义,虽然已经出现了很多的高光谱遥感影像分类方法,但是由于高光谱数据波段间高相关性、非线性以及高维的特征使得现有的很多分类方法并不适用于高光谱数据,这就导致现有的很多高光谱遥感影像的分类方法的精度以及效果不佳,难以满足实际应用的需求。鉴于此,本文重点对高光谱遥感图像分类的三种比较常见的分类方法进行研究和实现,包括传统的基于统计模式的分类方法、经典的支持向量机（Support Vector Machines,SVM）的分类方法以及当前热点研究的基于稀疏表达（Sparse Representation Classification,SRC）的分类方法,通过这几种常用的分类方法在两个经典的高光谱遥感集上的分...
【文章来源】：中国地质大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
高光谱遥感图像“谱像合一”示意图（元呈明，2016）
K-means 算法在 Indian pines 数据集上，设置 K=16，在 PaviaU 数据集上，设置 K=9，然过计算机随机选取划分 K 个区域，计算重心得到初始聚类中心图，然后不代得到分类结果。图（2-3）与图（2-4）分别为 K-means 算法在 Indian 数据集以及 PaviaU 数据集上的分类结果图，表 2-3 为这两个算法的分类，取 20 次试验得到的中值。
图（2-3）与图（2-4）分别为 K-means 算法在 India以及 PaviaU 数据集上的分类结果图，表 2-3 为这两个算法的分 次试验得到的中值。a） b）图 2-3 Indain Pines 分类结果图：a）：地面标记图；b）：k-means
【参考文献】：
期刊论文
[1]基于邻域相似度的联合稀疏表示的高光谱图像分类算法[J]. 李佳逊,董安国,沈亚栋,张蓓. 激光与光电子学进展. 2017(12)
[2]高光谱遥感影像分类研究进展[J]. 杜培军,夏俊士,薛朝辉,谭琨,苏红军,鲍蕊. 遥感学报. 2016(02)
[3]基于K均值聚类的高光谱遥感影像分类研究[J]. 赵洁. 地理空间信息. 2016(03)
[4]基于多源数据和模糊k-均值方法的农田土壤管理分区研究[J]. 郭燕,田延峰,吴宏海,史舟. 土壤学报. 2013(03)
[5]基于最优观测的语音信号压缩感知[J]. 徐倩,季云云. 南京邮电大学学报(自然科学版). 2011(06)
[6]遥感影像分类方法研究进展[J]. 贾坤,李强子,田亦陈,吴炳方. 光谱学与光谱分析. 2011(10)
[7]利用流形学习进行高光谱遥感影像的降维与特征提取[J]. 杜培军,王小美,谭琨,夏俊士. 武汉大学学报(信息科学版). 2011(02)
[8]利用流形技术的遥感高光谱图像边缘检测[J]. 刘行波,武小军,周源. 城市勘测. 2010(S1)
[9]基于光谱角度匹配方法提取黑土边界[J]. 张新乐,张树文,李颖,刘焕军. 光谱学与光谱分析. 2009(04)
[10]基于支持向量机的高光谱遥感图像分类[J]. 谭琨,杜培军. 红外与毫米波学报. 2008(02)
博士论文
[1]基于多核学习的高光谱遥感影像分类方法研究[D]. 亓呈明.中国地质大学(北京) 2016
[2]高光谱遥感图像分类技术研究[D]. 高恒振.国防科学技术大学 2011
[3]基于支持向量机的高光谱遥感影像分类研究[D]. 谭琨.中国矿业大学 2010
[4]核机器学习方法研究[D]. 周伟达.西安电子科技大学 2003
硕士论文
[1]高光谱图像分类及其子问题研究[D]. 林健哲.中国科学院大学(中国科学院西安光学精密机械研究所) 2016
[2]基于高光谱遥感影像的扎龙湿地植被分类研究[D]. 朱子先.哈尔滨师范大学 2012
[3]基于案例推理的高光谱图像分类研究[D]. 唐雪飞.哈尔滨工业大学 2010
[4]基于神经网络的高光谱图像分类研究[D]. 刘凡.哈尔滨工程大学 2009
[5]基于核方法的高光谱影像分类与特征提取[D]. 杨国鹏.解放军信息工程大学 2007
[6]基于支持向量机的高光谱遥感图像分类[D]. 郭春燕.哈尔滨工程大学 2007
本文编号：3107678
【文章来源】：中国地质大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
高光谱遥感图像“谱像合一”示意图（元呈明，2016）
K-means 算法在 Indian pines 数据集上，设置 K=16，在 PaviaU 数据集上，设置 K=9，然过计算机随机选取划分 K 个区域，计算重心得到初始聚类中心图，然后不代得到分类结果。图（2-3）与图（2-4）分别为 K-means 算法在 Indian 数据集以及 PaviaU 数据集上的分类结果图，表 2-3 为这两个算法的分类，取 20 次试验得到的中值。
图（2-3）与图（2-4）分别为 K-means 算法在 India以及 PaviaU 数据集上的分类结果图，表 2-3 为这两个算法的分 次试验得到的中值。a） b）图 2-3 Indain Pines 分类结果图：a）：地面标记图；b）：k-means
【参考文献】：
期刊论文
[1]基于邻域相似度的联合稀疏表示的高光谱图像分类算法[J]. 李佳逊,董安国,沈亚栋,张蓓. 激光与光电子学进展. 2017(12)
[2]高光谱遥感影像分类研究进展[J]. 杜培军,夏俊士,薛朝辉,谭琨,苏红军,鲍蕊. 遥感学报. 2016(02)
[3]基于K均值聚类的高光谱遥感影像分类研究[J]. 赵洁. 地理空间信息. 2016(03)
[4]基于多源数据和模糊k-均值方法的农田土壤管理分区研究[J]. 郭燕,田延峰,吴宏海,史舟. 土壤学报. 2013(03)
[5]基于最优观测的语音信号压缩感知[J]. 徐倩,季云云. 南京邮电大学学报(自然科学版). 2011(06)
[6]遥感影像分类方法研究进展[J]. 贾坤,李强子,田亦陈,吴炳方. 光谱学与光谱分析. 2011(10)
[7]利用流形学习进行高光谱遥感影像的降维与特征提取[J]. 杜培军,王小美,谭琨,夏俊士. 武汉大学学报(信息科学版). 2011(02)
[8]利用流形技术的遥感高光谱图像边缘检测[J]. 刘行波,武小军,周源. 城市勘测. 2010(S1)
[9]基于光谱角度匹配方法提取黑土边界[J]. 张新乐,张树文,李颖,刘焕军. 光谱学与光谱分析. 2009(04)
[10]基于支持向量机的高光谱遥感图像分类[J]. 谭琨,杜培军. 红外与毫米波学报. 2008(02)
博士论文
[1]基于多核学习的高光谱遥感影像分类方法研究[D]. 亓呈明.中国地质大学(北京) 2016
[2]高光谱遥感图像分类技术研究[D]. 高恒振.国防科学技术大学 2011
[3]基于支持向量机的高光谱遥感影像分类研究[D]. 谭琨.中国矿业大学 2010
[4]核机器学习方法研究[D]. 周伟达.西安电子科技大学 2003
硕士论文
[1]高光谱图像分类及其子问题研究[D]. 林健哲.中国科学院大学(中国科学院西安光学精密机械研究所) 2016
[2]基于高光谱遥感影像的扎龙湿地植被分类研究[D]. 朱子先.哈尔滨师范大学 2012
[3]基于案例推理的高光谱图像分类研究[D]. 唐雪飞.哈尔滨工业大学 2010
[4]基于神经网络的高光谱图像分类研究[D]. 刘凡.哈尔滨工程大学 2009
[5]基于核方法的高光谱影像分类与特征提取[D]. 杨国鹏.解放军信息工程大学 2007
[6]基于支持向量机的高光谱遥感图像分类[D]. 郭春燕.哈尔滨工程大学 2007
本文编号：3107678
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3107678.html
