基于多分类器融合的高光谱图像分类算法研究

发布时间：2017-08-01 05:07

  本文关键词：基于多分类器融合的高光谱图像分类算法研究

  更多相关文章： 高光谱图像分类 稀疏表示 分类器融合 非本地字典 联合表达模型

【摘要】：高光谱遥感图像分类是通过机器学习等手段利用高光谱图像的数据特性将传统光谱图像中无法分辨的微小差异的地物通过计算机自动区分归类的过程,具有实际意义和实用性,受到了研究者的广泛关注。本文的工作基于高光谱图像像元的特征和数据结构,针对其执行分类算法时的分类正确率较差、分类算法对像元适应性差、对高光谱图像空间信息利用不足等问题,做了以下三个方面研究：首先,分析稀疏表示分类器(Sparse Representation Classification, SRC)、协同表示分类器(Collaboration Representation Classification, CRC)、支持向量机(Support Vector Machine, SVM)、正则化最近邻子空间分类器(Nearest Regularized Subspace, NRS)的分类算法的理论及优缺点。将基本分类器与高光谱图像分类结合,研究进行融合的可能性和可行性,提出使用串级结构和并联结构来进行融合,利用类集减少、重新判定、残差融合思想构建融合分类器。其次,本文针对SRC和NRS存在空间相关信息利用不足,分类精度低问题,提出利用空间联合表示模型来将其改进为联合稀疏表示分类器(spatial Joint Sparse Representation Classification, JSRC)和联合正则化最近邻子空间分类器(spatial Joint Nearest Regularized Subspace,JNRS);针对JSRC和JNRS在分类中存在样本适应性差的问题,提出将SVM作为JSRC和JNRS的后级分类器组成JSRC-SVM和JNRS-SVM两级分类器来对高光谱图像进行分类。结果显示,改进算法提升了对高光谱图像的分类精度,且分类时间和原算法相近。再次,针对SRC使用的L1范数和CRC使用的L2范数在实际分类时存在的选取原子时或过于稀疏不能很好的表达类间信息,或不能很好的选取主要重构原子的问题,本文利用两者的互补性,实现了残差融合的分类器(residual Fusion Representation Classification,FRC)。FRC是并联分类器,其通过平衡因子来实现对残差的融合。实验显示FRC能融合各方法的优势,取得较高的分类精度,且开销不变。最后,针对基于并联结构的FRC对高光谱遥感图像分类时存在的空间信息利用不足和字典类别信息利用不足,提出了两种改进算法：1、空间联合表示残差融合分类器(spatial Joint residual Fusion Representation Classification,JFRC),利用高光谱图像相邻像元可能相似的特性进行改进。结果显示,JFRC将分类正确率提升。2、最近邻非本地字典的残差融合分类器(Non-local Dictionary Residual Fusion Representation Classification, NLD-FRC),其利用像元和本地字典的自相似性。结果表明,NLD-FRC提高了对图像的分类精度,减小了字典大小和计算量,与原方法相比改进算法提高了分类器的性能。
【关键词】：高光谱图像分类 稀疏表示 分类器融合 非本地字典 联合表达模型
【学位授予单位】：北京化工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP751
【目录】：

• 摘要4-6
• ABSTRACT6-15
• 第一章 绪论15-27
• 1.1 研究背景及意义15-18
• 1.1.1 高光谱遥感技术概述16-17
• 1.1.2 高光谱遥感图像应用现状17-18
• 1.2 高光谱图像分类技术的研究概况18-22
• 1.2.1 高光谱遥感图像分类技术18-20
• 1.2.2 高光谱图像分类国内外研究现状20-22
• 1.3 图像分类中多分类器融合方法概述22-24
• 1.3.1 模式识别中的多分类器融合方法22
• 1.3.2 多分类器融合方法研究现状22-23
• 1.3.3 多分类器融合方法在高光谱图像分类中的应用23-24
• 1.4 课题研究内容及创新点24-25
• 1.4.1 课题主要研究内容24
• 1.4.2 课题的创新点24-25
• 1.5 论文的组织结构25-27
• 第二章 高光谱图像分类及分类器融合方法27-43
• 2.1 引言27
• 2.2 高光谱图像数据27-33
• 2.2.1 高光谱图像数据数据源28-32
• 2.2.2 高光谱图像数据的数据特点32-33
• 2.3 高光谱图像分类的基本理论33-36
• 2.3.1 高光谱图像分类的基本原则和分类流程34
• 2.3.2 高光谱图像分类的评价方法34-36
• 2.4 分类器的定义及设计准则36-38
• 2.5 分类器融合38-43
• 2.5.1 多分类器融合可行性问题38-39
• 2.5.2 多分类器融合方法39-43
• 第三章 基于两级分类器融合的高光谱图像分类算法研究43-67
• 3.1 引言43-44
• 3.2 子分类器算法及改进方法44-53
• 3.2.1 稀疏表示分类算法44-46
• 3.2.2 正则化最近邻子空间分类算法46-48
• 3.2.3 SVM算法48-50
• 3.2.4 基于联合表示的分类算法改进50-53
• 3.3 基于两级分类器融合的高光谱图像分类53-55
• 3.3.1 两级分类器融合方法的思想53
• 3.3.2 基于JSRC-SVM的高光谱图像分类53-55
• 3.3.3 基于JNRS-SVM的高光谱图像分类55
• 3.4 两级分类器方法的高光谱图像分类实验55-56
• 3.5 分类实验结果分析56-66
• 3.5.1 参数整定及调优57-58
• 3.5.2 分类效果评价58-64
• 3.5.3 算法复杂度分析64-66
• 3.6 本章小结66-67
• 第四章 基于改进残差融合的高光谱图像分类算法研究67-83
• 4.1 引言67-68
• 4.2 基于残差融合的分类器融合分类算法68-70
• 4.2.1 残差融合分类算法的基本原理68-69
• 4.2.2 残差融合的分类算法步骤69-70
• 4.3 改进型残差融合方法70-72
• 4.3.1 基于最近邻字典优化思想的改进70-71
• 4.3.2 基于联合表达方法的改进71-72
• 4.4 改进型残差融合的分类器融合算法72-73
• 4.4.1 基于NLD-FRC的高光谱图像分类算法72
• 4.4.2 基于JFRC残差融合的高光谱图像分类算法72-73
• 4.5 基于改进型残差融合方法的高光谱图像分类实验73-74
• 4.6 分类实验结果分析74-82
• 4.6.1 参数整定及调优74-77
• 4.6.2 分类效果评价77-81
• 4.6.3 算法复杂度分析81-82
• 4.7 本章小结82-83
• 第五章 结论与展望83-85
• 5.1 完成工作的总结83-84
• 5.2 展望84-85
• 参考文献85-91
• 致谢91-93
• 研究成果及发表的学术论文93-95
• 作者及导师简介95-96
• 附件96-97

【参考文献】

中国期刊全文数据库 前9条

1 杜培军;夏俊士;薛朝辉;谭琨;苏红军;鲍蕊;;高光谱遥感影像分类研究进展[J];遥感学报;2016年02期

2 张雅琼;张文娟;陈正超;张兵;;基于天宫一号高光谱成像仪的替代光谱定标方法精度对比分析[J];红外与毫米波学报;2015年03期

3 练秋生;张钧芹;陈书贞;;基于两级字典与分频带字典的图像超分辨率算法[J];自动化学报;2013年08期

4 李民;程建;李小文;乐翔;;非局部学习字典的图像修复[J];电子与信息学报;2011年11期

5 彭正林;毛先成;刘文毅;何美香;;基于多分类器组合的遥感影像分类方法研究[J];国土资源遥感;2011年02期

6 岳跃民;王克林;张兵;陈正超;;高光谱遥感在生态系统研究中的应用进展[J];遥感技术与应用;2008年04期

7 蒋林波;蔡立军;易叶青;;一个新的多分类器组合模型[J];计算机工程与应用;2008年17期

8 李石华,王金亮,毕艳,陈姚,朱妙园,杨帅,朱佳;遥感图像分类方法研究综述[J];国土资源遥感;2005年02期

9 蒋艳凰,杨学军;多层组合分类器研究[J];计算机工程与科学;2004年06期

，

本文编号：602621