加权最近邻空间表征的高光谱遥感图像分类算法研究

发布时间：2021-12-02 10:32

　　高光谱遥感技术是集成像与光谱探测为一体的光学遥感技术,该技术通过光学系统接收地物反射并获取地面目标像元的光谱信息对地物目标进行识别。目前,针对地面物质信息的高光谱遥感图像分类是一门综合图像处理与遥感成像技术的前沿科研课题。同时,如何提升光谱类似区域的识别能力以及处理效率一直是高光谱遥感图像场景分类的研究重点。因此,本文提出了两种结合光谱和空间信息的场景分类方法,并使用真实的高光谱遥感图像数据验证了本文所提方法的有效性。本文主要的工作概括如下:（1）传统的k-最近邻域（k-Nearest Neighbor,k-NN）方法依赖于欧氏距离作为度量方式来预测测试样本的标签。然而,每个测试样本在进行类别判定时,距离信息的权重分配往往会影响分类精度的提升。因此,本文提出了一种加权最近邻与稀疏表示融合的高光谱图像分类方法,该方法包括以下步骤:首先,对测试像元周围邻域按窗口大小进行联合,形成测试像元的联合区域并获取像元间的欧式距离。其次,利用高斯加权函数对距离信息进行权重分配。最后,融合稀疏表示的重构残差形成新的决策函数。实验结果表明,本文提出的方法有更高的分类精度。（2）高光谱遥感地物样本标定的过程... 

【文章来源】：湖南理工学院湖南省

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 研究内容及安排
第2章 高光谱遥感图像分类基本理论
    2.1 分类原理概述
        2.1.1 邻域最小距离原理
        2.1.2 支持向量机原理
    2.2 分类评价指标
    2.3 本章小结
第3章 加权最近邻与稀疏表示融合的高光谱图像分类方法
    3.1 相关理论方法
        3.1.1 稀疏表示算法
        3.1.2 联合稀疏表示算法
        3.1.3 k-最近邻分类算法
    3.2 加权联合欧氏距离分类方法原理
        3.2.1 联合最近邻算法
        3.2.2 加权联合最近邻算法
    3.3 实验结果与分析
        3.3.1 实验数据集及评价指标
        3.3.2 参数分析
        3.3.3 实验结果
        3.3.4 时间复杂度
        3.3.5 不同数量的训练样本的对分类性能影响
    3.4 本章小结
第4章 基于加权最近邻的峰值密度高光谱图像分类方法
    4.1 相关理论方法
        4.1.1 峰值密度聚类算法
        4.1.2 超像素分割
        4.1.3 欧式距离加权原理
    4.2 超像素加权密度聚类检测分类方法
    4.3 实验结果与分析
        4.3.1 实验数据集选取
        4.3.2 参数分析
        4.3.3 超像素分割算法的影响
        4.3.4 提出方法的迭代次数对不确定样本分类的影响
        4.3.5 不同的不确定样本检测方法的性能对比
        4.3.6 训练样本检测前后使用其他分类器的性能分析
    4.4 本章小结
第5章 总结与展望
    总结
    展望
参考文献
致谢
攻读硕士期间论文及科研情况
    1 论文发表
    2 发明专利授权
    3 参与科研项目
    4 获奖情况



本文编号：3528263