基于Hash编码的超光谱遥感图像分类

发布时间：2017-07-01 02:10

  本文关键词：基于Hash编码的超光谱遥感图像分类，由笔耕文化传播整理发布。

【摘要】：随着技术手段和传感器性能的提高,越来越大量的超光谱卫星遥感数据被产生了出来。人们迫切需要找到一种能够处理这种大量遥感图像数据的机器学习算法。另一方面,Hash学习技术在近年来成为了一种被广泛使用的处理大数据的机器学习手段。本文首先提出了一种基于分段Hash编码的维度缩减方法,并将这种方法用于超光谱遥感图像分类中,在保持足够高精度的前提下,这种方法可以大大缩短计算时间。接下来,本文基于分段Hash编码技术与图像块描述的方法,提出了基于块的Hash分类算法,并成功地应用于四种不同的超光谱遥感图像数据集的分类。对四种超光谱遥感图像分类的性能评估结果表明,本文提出的方法在分类准确率方面可以和普通的基于图像块描述的分类方法相媲美。在计算效率方面远优于普通的基于图像块描述的分类方法。进一步,为了验证本文分类方法的性能优势,我们系统地比较了四种方法在分类精度和计算速度方面的性能差异,包括传统像素的分类算法、分段Hash算法、基于块的方法,以及基于块的Hash分类算法。最后,我们讨论了模型参数、不同的Hash函数对算法的影响。总而言之,基于块Hash的分类算法不仅具有良好的性能,较低的计算复杂度,而且在实际的超光谱遥感图像处理中可以达到较高的精度。进一步,本论文提出的方法具有一定的普遍性,它不仅可以应用到超光谱遥感图像处理中,还可以应用于更广泛的机器学习问题中。
【关键词】：超光谱图像 Hash编码 机器学习 图像处理 支持向量机
【学位授予单位】：南京信息工程大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP751
【目录】：

• 摘要4-5
• Abstract5-6
• 第一章 引言6-16
• 1.1 研究背景6-7
• 1.2 超光谱遥感数据图像分析研究现状7-9
• 1.3 简介Hash算法与Hash编码9-11
• 1.4 支持向量机简介11-13
• 1.5 基于Hash的机器学习方法介绍13-14
• 1.6 本文结构14-16
• 第二章 分段Hash编码方法16-27
• 2.1 基本思路16
• 2.2 分段Hash编码16-18
• 2.3 实验结果18-19
• 2.4 数据的选取19
• 2.5 相似性检验19-20
• 2.6 分类结果20-24
• 2.7 参数讨论24-25
• 2.8 本章小结25-27
• 第三章 基于块的Hash编码方法介绍27-45
• 3.1 基本思路27-29
• 3.2 实验设计29
• 3.3 实验结果分析29-33
• 3.4 性能指标33-37
• 3.5 速度(运行时间)37-38
• 3.6 不同Hash函数对于块Hash算法的影响38-39
• 3.7 对于算法参数的依赖39-42
• 3.8 性能指标42-45
• 第四章 总结与展望45-48
• 参考文献48-52
• 攻读硕士期间完成的科研情况52-53
• 鸣谢53

  本文关键词：基于Hash编码的超光谱遥感图像分类，，由笔耕文化传播整理发布。

本文编号：504249