基于集成学习的高光谱图像分类研究

发布时间：2024-12-19 03:53

　　高光谱图像包含数百个光谱带,这些光谱带的特征信息非常丰富,并且在遥感领域得到了广泛的研究。其中,高光谱图像的分类问题一直是遥感领域的研究热点。在传统的高光谱图像分类研究工作中,标记样本缺乏且难以获取一直是一个具有挑战性的问题。为了解决标记样本不足的问题,许多的高光谱图像分类方法被研究。其中,介于监督学习与非监督学习之间的半监督学习方法由于其可以充分利用未标记样本,因此受到极大的关注与研究。此外,集成学习方法可以有效的合理的结合多个基本分类器从而获得强分类器,分类精度可以进一步得到提升。在传统的集成学习分类方法中,在多个基本分类器的训练过程中,多个基本分类器之间缺乏有效的沟通与交流,没有完全做到“博采众长”。针对以上分析,本文提出了两种基于集成学习的高光谱图像分类方法:(1)一种基于多种类型的特征图像的集成学习分类方法被提出。该方法的主要思想是:通过高斯滤波和滚动引导滤波方法得到多种特征图像,选择支持向量机(Support Vector Machine,SVM)对特征图像进行分类,然后通过自适应增强学习方法灵活有机的组合所选择的特征图像,这种组合方式不需要复杂的计算。选择Indian Pi...

【文章页数】：58 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
变量注释表
1 绪论
    1.1 研究背景
    1.2 研究目的和意义
    1.3 分类方法研究现状
    1.4 论文研究内容与创新
    1.5 论文结构
2 相关技术
    2.1 支持向量机
    2.2 高斯滤波
    2.3 滚动引导滤波
    2.4 信息熵
    2.5 实验评价指标与数据集
    2.6 本章小结
3 基于多特征图像的集成学习分类方法
    3.1 方法思想
    3.2 方法步骤
    3.3 实验结果与分析
    3.4 本章小结
4 基于多核互学习的高光谱图像分类方法
    4.1 方法思想
    4.2 方法步骤
    4.3 实验结果与分析
    4.4 本章小结
5 总结与展望
参考文献
作者简历
致谢
学位论文数据集



本文编号：4017616