基于高光谱图像的地物分类方法研究

发布时间：2023-06-01 18:53

　　近年来,伴随遥感技术的飞速发展,高光谱遥感技术逐渐迈入大众视野,一路成为领域内发展前沿。同时,日益成熟的成像光谱仪技术,给高光谱图像的质量提供了有力保障。高光谱图像中含有几百个狭窄连续的波段,能提供丰富的空间信息和光谱信息。目前,高光谱图像地物分类是高光谱图像处理技术的前沿科研课题。通过对地面物质信息的观测可以很好地服务于国防安全、食品安全、地质勘探、环境保护、城市建设等领域。同时,因为高光谱图像具有数据量大、冗余度高、波段之间相关性强等特点,所以很大程度上提升了分类与识别的难度。目前,高光谱图像降维处理与分类识别已经成为处理高光谱图像的关键问题,所以对其进行研究具有重要的理论意义和应用价值。本文在传统的高光谱图像降维算法以及分类方法的基础上,从以下两个方面开展研究,主要研究内容如下:1.基于主成分分析法(PCA)与MKt-SNE结合的高光谱图像降维方法。首先在保证基本信息不丢失的前提下,利用PCA算法实现一次降维,其次利用MKt-SNE算法(改进的t-SNE算法)进行二次降维,可以更好地提取高光谱图像的本质特征。其中,MKt-SNE算法克服了传统的t-SNE算法中受高维空间样本分布影...

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 高光谱图像降维研究现状
        1.2.2 高光谱图像分类研究现状
        1.2.3 研究现状简析
    1.3 主要研究内容
    1.4 文章结构安排
2 高光谱图像降维与分类理论
    2.1 高光谱图像降维概述
        2.1.1 特征提取
        2.1.2 波段选择
    2.2 高光谱图像分类概述
        2.2.1 高光谱图像分类过程
        2.2.2 无监督分类
        2.2.3 半监督分类
        2.2.4 监督分类
    2.3 实验数据集
        2.3.1 KSC
        2.3.2 Salinas-A
    2.4 评价方法
        2.4.1 总体分类精度
        2.4.2 平均分类精度
        2.4.3 单一分类精度
        2.4.4 Kappa系数
    2.5 本章小结
3 基于PCA与MKt-SNE结合的高光谱图像降维方法
    3.1 基于PCA的高光谱图像降维
    3.2 基于MKt-SNE的高光谱图像降维
        3.2.1 t-SNE算法原理
        3.2.2 改进的t-SNE算法MKt-SNE算法
    3.3 基于PCA与MKt-SNE结合的高光谱图像降维方法
    3.4 仿真实验及结果分析
        3.4.1 实验环境
        3.4.2 高光谱图像降维结果可视化的对比及分析
        3.4.3 高维数据聚类结果评价指标
        3.4.4 高光谱图像降维结果评价指标的对比及分析
        3.4.5 降维运行时间的对比及分析
    3.5 本章小结
4 融合多层特征SENet和多尺度宽残差的高光谱图像分类
    4.1 总体框架与流程
    4.2 基于多层特征SENet的高光谱图像分类
        4.2.1 SENet结构
        4.2.2 InceptionV2-Resnet网络模型
        4.2.3 批规范化
        4.2.4 全局平均池化
        4.2.5 特征结合
        4.2.6 基于多层特征SENet的高光谱图像分类
    4.3 基于多尺度宽残差的高光谱图像分类
        4.3.1 宽残差网络
        4.3.2 基于多尺度宽残差的高光谱图像分类
    4.4 集成学习
    4.5 仿真实验及结果分析
        4.5.1 实验环境
        4.5.2 数据预处理
        4.5.3 实验结果及分析
    4.6 本章小结
结论
参考文献
攻读学位期间发表的学术论文
致谢



本文编号：3826848