结合近邻选择的高光谱图像分类算法研究

发布时间：2017-06-28 09:22

  本文关键词：结合近邻选择的高光谱图像分类算法研究，，由笔耕文化传播整理发布。

【摘要】：高光谱图像丰富的光谱信息,使其在目标检测、地物分类、污染防治以及军事侦查等领域都具有重要应用。高光谱图像分类是高光谱图像处理和分析的重要研究内容,倍受研究者的关注。受“同物异谱”、“同谱异物”以及高维小样本等因素的影响,仅利用光谱信息的早期高光谱图像分类算法的分类精度较低。而空间信息有效刻画了光谱像素点及其近邻之间关系,因此如何同时利用高光谱图像的光谱信息和空间信息来改进分类性能成为研究者的关注焦点。为此,研究者在如何有效结合空间信息辅助原光谱特征进行分类方面开展了大量的研究工作,取得可喜的进展。但如何有效、合理利用空间信息仍是该领域的重点与难点。为此,本文围绕高光谱图像空间信息的有效挖掘与利用展开研究,侧重针对空间近邻关系挖掘出有效的特征信息和设计结合光谱信息和空间信息的协同分类算法,以此提高高光谱图像分类的精度。论文的主要研究工作如下。1.提出两种空间预处理方式下结合空间近邻选择的合成核SVM高光谱图像分类算法。两种算法的主要思路：提取出待分类中心像素点的空间特征,并结合光谱信息改善分类结果。1)提出了结合分水岭分割的合成核SVM高光谱分类算法(WSCSVM)。该算法采用分水岭算法先挖掘出高光谱边界轮廓信息,依据过分割图自适应选择更紧致的分割区域作为中心像素点空间近邻并提取有效的空间特征,进而通过合成核SVM策略有效融合光谱特征和挖掘出的空间特征设计出新的高光谱分类算法；2)提出了结合最小生成树空间近邻选择的合成核SVM高光谱分类算法(MSTCSVM)。该算法同时考虑空间边界轮廓信息和中心像素点与空间近邻点光谱的相似性,以空间近邻的紧性和判别性为准则提取有效的空间特征,进而利用合成核SVM算法设计出有效融合光谱特征和挖掘出的空间特征的高光谱分类算法。两种算法有各自的优势：WSCSVM算法一次分割便可快速给出所有像素点空间近邻,效率高；MSTCSVM算法同时考虑梯度信息和待分类中心像素点的光谱特征,可提取更有效的空间特征,但须以像素点为中心不断寻找近邻,故效率相对低。IndianPines和University of Pavia(PU)两个经典的高光谱图像数据集上的实验验证了新算法的有效性。2.提出了结合空间近邻选择的谱空联合kNN高光谱图像分类算法(MSTkNN)。该算法先采用双边空间滤波对噪声进行过滤,进而运用提出的改进最小生成树空间近邻选择算法得到中心像素点的有效近邻,从而可有效联合其空间近邻像素点的k近邻进行分类。在Indian Pines和PU上的实验结果表明该算法有效提高了高光谱图像的分类精度。
【关键词】：高光谱图像 分水岭分割 空间近邻 合成核SVM 分类
【学位授予单位】：南京师范大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP751
【目录】：

• 摘要4-6
• Abstract6-10
• 第1章 绪论10-17
• 1.1 研究意义10-11
• 1.2 国内外现状11-15
• 1.3 论文的主要工作15-16
• 1.4 论文的章节安排16-17
• 第2章 预备知识17-28
• 2.1 高光谱遥感图像简介17-19
• 2.2 经典SVM模型19-22
• 2.3 分水岭分割算法22-27
• 2.3.1 分水岭的基本概念22-24
• 2.3.2 分水岭分割算法24-26
• 2.3.3 高光谱图像的分水岭分割算法26-27
• 2.4 本章小结27-28
• 第3章 结合近邻选择的合成核SVM高光谱图像分类算法28-49
• 3.1 引言28-29
• 3.2 结合分水岭分割的合成核SVM算法(WSCSVM)29-34
• 3.2.1 算法思想29-32
• 3.2.2 算法描述32-34
• 3.3 结合最小生成树近邻选择的合成核高光谱图像分类算法(MSTCSVM)34-38
• 3.3.1 算法思想34-36
• 3.3.2 算法描述36-38
• 3.4 实验38-48
• 3.4.1 实验数据描述39-40
• 3.4.2 实验设置40-41
• 3.4.3 实验结果与分析41-48
• 3.5 本章小节48-49
• 第4章 结合近邻选择的谱空联合kNN高光谱图像分类算法(MSTkNN)49-58
• 4.1 引言49
• 4.2 算法思想49-51
• 4.3 算法描述51-52
• 4.4 实验52-57
• 4.4.1 实验设置52-53
• 4.4.2 实验结果与分析53-57
• 4.5 本章小结57-58
• 第5章 总结与展望58-60
• 5.1 工作总结58-59
• 5.2 工作展望59-60
• 参考文献60-66
• 附录66-67
• 致谢67

【相似文献】

中国期刊全文数据库 前10条

1 谌德荣;宫久路;陈乾;曹旭平;;基于样本分割的快速高光谱图像异常检测支持向量数据描述方法[J];兵工学报;2008年09期

2 蒲晓丰;雷武虎;张林虎;蒋奇材;;基于Fukunaga-Koontz变换的高光谱图像异常检测[J];红外技术;2010年04期

3 成宝芝;郭宗光;;高光谱图像波段间相关特性研究[J];大庆师范学院学报;2013年06期

4 杨龙;易宏杰;李因彦;;遥感高光谱图像赤潮识别[J];传感器世界;2007年05期

5 汪倩;陶鹏;;结合空间信息的高光谱图像快速分类方法[J];微计算机信息;2010年21期

6 王立国;孙杰;肖倩;;结合空-谱信息的高光谱图像分类方法[J];黑龙江大学自然科学学报;2010年06期

7 冯朝丽;朱启兵;朱晓;黄敏;;基于光谱特征的玉米品种高光谱图像识别[J];江南大学学报(自然科学版);2012年02期

8 付欢;龙海南;韩晓霞;;基于冗余字典的高光谱图像的稀疏分解[J];河北软件职业技术学院学报;2013年04期

9 耿修瑞,张霞,陈正超,张兵,郑兰芬,童庆禧;一种基于空间连续性的高光谱图像分类方法[J];红外与毫米波学报;2004年04期

10 张绮玮;机载高光谱遥感图像处理软件系统[J];红外;2005年02期

中国重要会议论文全文数据库 前10条

1 张兵;王向伟;郑兰芬;童庆禧;;高光谱图像地物分类与识别研究[A];成像光谱技术与应用研讨会论文集[C];2004年

2 高连如;张兵;孙旭;李山山;张文娟;;高光谱数据降维与分类技术研究[A];第八届成像光谱技术与应用研讨会暨交叉学科论坛文集[C];2010年

3 王成;何伟基;陈钱;;基于波段重组和小波变换的高光谱图像嵌入式压缩方法[A];黑龙江、江苏、山东、河南、江西 五省光学（激光）联合学术‘13年会论文（摘要）集[C];2013年

4 孙蕾;罗建书;;基于分类预测的高光谱遥感图像无损压缩[A];第一届建立和谐人机环境联合学术会议（HHME2005）论文集[C];2005年

5 杨勇;刘木华;邹小莲;苗蓬勃;赵珍珍;;基于高光谱图像技术的猕猴桃硬度品质检测[A];走中国特色农业机械化道路——中国农业机械学会2008年学术年会论文集（下册）[C];2008年

6 张晓红;张立福;王晋年;童庆禧;;HJ-1A卫星高光谱遥感图像质量综合评价[A];第八届成像光谱技术与应用研讨会暨交叉学科论坛文集[C];2010年

7 高东生;高连知;;基于独立分量分析的高光谱图像目标盲探测方法研究[A];国家安全地球物理丛书（八）——遥感地球物理与国家安全[C];2012年

8 冯维一;陈钱;何伟基;;基于小波稀疏的高光谱目标探测算法[A];黑龙江、江苏、山东、河南、江西 五省光学（激光）联合学术‘13年会论文（摘要）集[C];2013年

9 彭妮娜;易维宁;方勇华;;基于核函数的高光谱图像信息提取研究[A];光子科技创新与产业化——长三角光子科技创新论坛暨2006年安徽博士科技论坛论文集[C];2006年

10 蒲晓丰;雷武虎;黄涛;王迪;;基于稳健背景子空间的高光谱图像异常检测[A];中国光学学会2010年光学大会论文集[C];2010年

中国博士学位论文全文数据库 前10条

1 普晗晔;高光谱遥感图像的解混理论和方法研究[D];复旦大学;2014年

2 王亮亮;非线性流形结构在高光谱图像异常检测中的应用研究[D];国防科学技术大学;2014年

3 贺智;改进的经验模态分解算法及其在高光谱图像分类中的应用[D];哈尔滨工业大学;2014年

4 魏然;基于成像机理分析的高光谱图像信息恢复研究[D];哈尔滨工业大学;2015年

5 叶珍;高光谱图像特征提取与分类算法研究[D];西北工业大学;2015年

6 冯婕;基于软计算和互信息理论的遥感图像地物分类[D];西安电子科技大学;2014年

7 孙涛;快速多核学习分类研究及应用[D];西安电子科技大学;2015年

8 李昌国;基于谱间和校正相关性的高光谱图像压缩方法研究及GPU并行实现[D];成都理工大学;2015年

9 徐速;基于压缩感知的高光谱图像稀疏解混方法研究[D];重庆大学;2015年

10 南一冰;星载推扫型高光谱运动成像误差建模与高精度校正技术研究[D];北京理工大学;2015年

中国硕士学位论文全文数据库 前10条

1 丰烁;高光谱图像波段选取问题的改进算法研究[D];昆明理工大学;2015年

2 赵伟彦;果蔬干燥过程中的品质无损检测技术研究[D];江南大学;2015年

3 马亚楠;果蔬中内部害虫的高光谱图像检测技术研究[D];江南大学;2015年

4 刘大洋;基于近红外光谱和高光谱图像技术无损识别猕猴桃膨大果[D];西北农林科技大学;2015年

5 王坤;高光谱图像异常目标检测及光谱成像在伪装评估方面的应用研究[D];南京理工大学;2015年

6 王启聪;高光谱图像分类的GPU并行优化研究[D];南京理工大学;2015年

7 程凯;无先验信息的高光谱图像小目标检测算法研究[D];苏州大学;2015年

8 李秩期;基于高光谱及多信息融合的马铃薯外部缺陷无损检测研究[D];宁夏大学;2015年

9 王健;基于高光谱图像的马铃薯形状及重量分类识别建模研究[D];宁夏大学;2015年

10 吴蓓芬;偏振高光谱图像场景仿真及分类方法研究[D];哈尔滨工业大学;2015年

  本文关键词：结合近邻选择的高光谱图像分类算法研究，由笔耕文化传播整理发布。

本文编号：493359