基于高光谱数据的多源遥感图像协同分类研究
发布时间：2023-05-14 20:31
随着传感器技术的不断进步和计算机技术的广泛应用,传统单一类型的遥感数据已无法满足人们日益增长的应用需求,因此,多源遥感图像的综合利用成为了国内外学者的研究重点。由于不同谱段范围或不同分辨率的遥感图像反映了地物不同方面的属性或特征,因而充分利用多源遥感图像之间的差异性和互补性,能最大限度地发挥多源遥感图像的优势。高光谱成像作为多源遥感图像中最为重要的技术手段之一,凭借其精细的光谱分辨率和“图谱合一”的特性,在地物分类和目标检测等方面展现了独特的优势。但是,高光谱图像在空间分辨率方面的不足,及其普遍存在的“同谱异物”和“同物异谱”等问题使其在很多情况下不能很好地解决高精度的分类问题。因此,论文以高光谱图像为核心,以高分辨率全色图像、多光谱、高光谱及红外高光谱等多源遥感图像的协同分类为主旨,从不同角度分析和探讨了高光谱图像在地物分类等实际应用中所面临的主要问题,对基于高光谱的多源遥感图像的协同分类进行了深入的研究。论文工作对提高高光谱图像数据的利用与信息获取能力及其在遥感领域的推广应用等,具有重要的理论意义和研究价值。论文具体研究内容包含以下几个部分。首先,针对高光谱图像空间分辨率的不足,论...
【文章页数】：162 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 课题背景及研究的目的和意义
1.2 国内外研究现状
1.2.1 基于像素层融合的多源图像协同处理研究现状
1.2.2 红外高光谱和可见光图像协同处理研究现状
1.2.3 多源图像协同分类研究现状
1.2.4 集成学习研究现状
1.2.5 研究现状简析
1.3 本文的主要研究内容及结构安排
第2章 基于像素层融合的高光谱图像分辨率提升与分类
2.1 引言
2.2 基于多层带间结构模型的多光谱图像分辨率提升方法
2.2.1 非子采样轮廓小波变换
2.2.2 基于多层带间结构模型的图像融合方法
2.3 基于光谱调制的高光谱图像分辨率提升方法
2.3.1 对偶非负矩阵分解方法
2.3.2 基于光谱调制的图像融合方法
2.4 空间分辨率提升后的高光谱图像分类
2.5 实验结果及分析
2.5.1 实验数据
2.5.2 多光谱图像分辨率提升实验结果
2.5.3 高光谱图像分辨率提升实验结果
2.5.4 分辨率提升后的高光谱图像分类实验结果
2.6 本章小结
第3章 基于集成学习的高光谱与全色图像协同分类
3.1 引言
3.2 维数灾难问题
3.3 高光谱和全色图像特征提取
3.3.1 光谱特征提取
3.3.2 基于多尺度分割的面向对象特征提取
3.4 基于半监督旋转森林方法的协同分类
3.4.1 旋转森林
3.4.2 半监督特征提取
3.4.3 半监督旋转森林
3.5 实验结果及分析
3.5.1 实验数据
3.5.2 半监督旋转森林分类算法结果
3.5.3 高光谱和全色图像协同分类结果
3.5.4 半监督旋转森林参数分析
3.6 本章小结
第4章 基于半监督自学习的高光谱与全色图像小样本协同分类
4.1 引言
4.2 小样本问题下的主动学习和半监督学习方法
4.2.1 主动学习方法
4.2.2 半监督学习方法
4.2.3 主动学习和半监督学习的分析
4.3 基于半监督自学习的高光谱和全色图像协同分类方法
4.3.1 基于半监督自学习的协同分类方法
4.3.2 样本多样性优化
4.4 实验结果及分析
4.4.1 基于自学习的协同分类算法结果
4.4.2 图像分割尺度影响
4.4.3 空谱联合特征分类方法对比
4.5 本章小结
第5章 基于分层处理的红外高光谱与可见多光谱图像协同分类
5.1 引言
5.2 红外高光谱与可见多光谱图像特征提取
5.3 红外高光谱和可见多光谱图像分层分类方法
5.3.1 稀疏表示分类方法
5.3.2 结合上下文信息的决策融合方法
5.4 实验结果及分析
5.4.1 红外高光谱图像特征提取与分类结果
5.4.2 可见多光谱图像特征提取与分类结果
5.4.3 图像协同分类结果
5.5 本章小结
结论
参考文献
攻读博士学位期间发表的论文及其它成果
致谢
个人简历
本文编号：3817713
【文章页数】：162 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 课题背景及研究的目的和意义
1.2 国内外研究现状
1.2.1 基于像素层融合的多源图像协同处理研究现状
1.2.2 红外高光谱和可见光图像协同处理研究现状
1.2.3 多源图像协同分类研究现状
1.2.4 集成学习研究现状
1.2.5 研究现状简析
1.3 本文的主要研究内容及结构安排
第2章 基于像素层融合的高光谱图像分辨率提升与分类
2.1 引言
2.2 基于多层带间结构模型的多光谱图像分辨率提升方法
2.2.1 非子采样轮廓小波变换
2.2.2 基于多层带间结构模型的图像融合方法
2.3 基于光谱调制的高光谱图像分辨率提升方法
2.3.1 对偶非负矩阵分解方法
2.3.2 基于光谱调制的图像融合方法
2.4 空间分辨率提升后的高光谱图像分类
2.5 实验结果及分析
2.5.1 实验数据
2.5.2 多光谱图像分辨率提升实验结果
2.5.3 高光谱图像分辨率提升实验结果
2.5.4 分辨率提升后的高光谱图像分类实验结果
2.6 本章小结
第3章 基于集成学习的高光谱与全色图像协同分类
3.1 引言
3.2 维数灾难问题
3.3 高光谱和全色图像特征提取
3.3.1 光谱特征提取
3.3.2 基于多尺度分割的面向对象特征提取
3.4 基于半监督旋转森林方法的协同分类
3.4.1 旋转森林
3.4.2 半监督特征提取
3.4.3 半监督旋转森林
3.5 实验结果及分析
3.5.1 实验数据
3.5.2 半监督旋转森林分类算法结果
3.5.3 高光谱和全色图像协同分类结果
3.5.4 半监督旋转森林参数分析
3.6 本章小结
第4章 基于半监督自学习的高光谱与全色图像小样本协同分类
4.1 引言
4.2 小样本问题下的主动学习和半监督学习方法
4.2.1 主动学习方法
4.2.2 半监督学习方法
4.2.3 主动学习和半监督学习的分析
4.3 基于半监督自学习的高光谱和全色图像协同分类方法
4.3.1 基于半监督自学习的协同分类方法
4.3.2 样本多样性优化
4.4 实验结果及分析
4.4.1 基于自学习的协同分类算法结果
4.4.2 图像分割尺度影响
4.4.3 空谱联合特征分类方法对比
4.5 本章小结
第5章 基于分层处理的红外高光谱与可见多光谱图像协同分类
5.1 引言
5.2 红外高光谱与可见多光谱图像特征提取
5.3 红外高光谱和可见多光谱图像分层分类方法
5.3.1 稀疏表示分类方法
5.3.2 结合上下文信息的决策融合方法
5.4 实验结果及分析
5.4.1 红外高光谱图像特征提取与分类结果
5.4.2 可见多光谱图像特征提取与分类结果
5.4.3 图像协同分类结果
5.5 本章小结
结论
参考文献
攻读博士学位期间发表的论文及其它成果
致谢
个人简历
本文编号：3817713
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3817713.html
