基于低秩表示的高光谱图像波段选择方法研究
发布时间：2021-11-03 05:15
高光谱遥感是影像与光谱合一为特征的新型遥感技术,是近年来地球观测技术所取得的重要突破之一,在现代军事、矿物勘测、精确农业及环境监控等领域有着广泛的应用。高光谱遥感中大量的波段数据可为人们探测地物提供丰富信息,对于后续的地物分类和目标识别十分有益。但是随着波段数目的增多,导致了信息冗余和数据处理难度的增加,如何从高光谱大量波段数据中选择有效波段,使其在保持有效分类信息的同时提升数据处理的速度成为高光谱遥感分类领域的研究热点。本论文基于高光谱图像固有的空间维和光谱维低秩特性,研究利用低秩表示模型对高光谱分类数据进行波段选择,实现高光谱图像的降维处理。具体来说,（1）提出了一种基于低秩表示与图结构的高光谱图像波段选择方法（Low Rank Representation Band Selection,LRRBS）,该算法首先构建了高光谱图像的低秩表示模型,利用求解的低秩系数进行图结构表示,接着利用谱聚类算法将波段划分为若干子集,最后通过在子集内设计波段选择准则,得到子集内最显著的波段。（2）提出了一种基于超像素分割约束下低秩表示的高光谱波段选择方法（Superpixel Segmentatio...
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
图１．１高光谱图像示例图??Ｆｉｇ．?１．１?Ｓａｍｐｌｅ?ｈｙｐｅｒｓｐｅｃｔｒａｌ?ｉｍａｇｅ??
主要是利用低维数据来有效表达高维数据信息，它能够有效??地减少运算量，降低计算复杂度以及改善分类效率、提高分类精度，在高光谱图像分类??应用中具有非常重要的作用。高光谱数据降维方法主要分为两类：特征提取和波段选择。??￣??ｆ?Ｋ?！?，?Ｋ?＿依据某一标准选择性质最：??｜?Ｉ?＞?！?特麵择?＜?突出的特征??图??像??声?１?，?Ｋ?，?＇?／，???１??？?Ｎ?经己有特征的某种变换获??Ｕ?Ｊ?．?１，持藏?＇?丨一＿麵」??图１．２高光谱图像降维基本框架??Ｆｉｇ．?１．２?Ｈｙｐｅｒｓｐｅｃｔｒａｌ?Ｉｍａｇｅ?ｄｉｍｅｎｓｉｏｎ?ｒｅｄｕｃｔｉｏｎ?ｆｒａｍｅｗｏｒｋ??特征提取是通过原光谱空间或者其子空间的一种数学变换，来实现信息综合、：特征??增强和光谱减维的过程Ｗ，相对比较复杂，计算量较大，同时在特征提取的过程中会对??原始的光谱数据造成损坏，对后续的应用如分类等造成不良影响；特征选择算法是将原??始高光谱数据中比较显著、信息量较大的波段选择出来。虽然两种方式都能够达到对高??光谱图像降维的目的，但是波段选择更能够保留高光谱数据原始特征的空间特征和光谱??特征，因此在相关研究中备受重视，成为了高光谱图像处理研究领域的热门问题，??在基于波段的信息量准则方面，Ｃｈａｖｅｚｅｔ．ａｌ提出了最佳指数法（Ｏｐｔｉｍｕｍ?Ｉｎｄｅｘ??Ｆａｃｔｏｒ，?ＯＩＦ）Ｗ，该方法主要是用来计算不同波段构成波段集后所反映的信息量，具体步??骤是先获得波段之间的标准差和相关矩阵，然后得到全部组合的波段集，获取全部波段??集的ＯＩＦ值，由于ＯＩＦ的值随着波段间的相关性的增大而减少
基于低秩表示的高光谱图像波段选择方法研究?＇??Ｉ?－?Ｈｉ?ＨｌＨ??（ａ）原始数据?（ｂ）低秩部分?（ｃ）稀疏部分??图２．１?ＲＰＣＡ示意图??Ｆｉｇ．?２．１?Ｓｃｈｅｍａｔｉｃ?Ｄｉａｇｒａｍ?ｏｆ?ＲＰＣＡ??当稀疏矩阵￡中的元素服从高斯分布时可以通过主成分分析（Ｐｒｉｎｃｉｐａｌ?Ｃｏｍｐｏｎｅｎｔ??Ａｎａｌｙｓｉｓ，?ＰＣＡ）［２４％法来求解得到Ｘ，但若￡是稀疏的，ＰＣＡ将不再适用。此时，优??化问题变为如下的模型２．２：??ｍｉｎ（ｒａ，７Ａ：（Ｘ），｜｜?￡１丨０）?ｓ．ｔ．?Ｄ?－?Ｘ?＋?Ｅ?（２．２）??引入平衡参数／Ｕ将上述优化问题变成单目标优化问题，同时利用矩阵的核范数和??／ｕ范数分别对秩函数撕汝＃）和０范数ＩＩ魂进行凸松她，得到如下优化问题：??ｍｉｎｌｌ?ＸＩＩ．?＋?１１１?ｆＩＬ?ｓ．ｔ．?Ｄ?＝?Ｘ?＋?Ｅ?（２．３）??Ｘ．Ｅ?，??其中ＩＩＸＩＬ为矩阵Ｘ的核范数，其值等于矩阵Ａ：的奇异值之和，上述优化问题被称??为鲁棒主成分分析（ＲＰＣＡ）。??（２）低秩表示??矩阵的低秩表示是将数据矩阵Ｘ表示成基矩阵Ｚ）下的线性组合，即Ｘ?＝?Ｚ）?＊?Ｚ，并??希望该系数矩阵Ｚ是低秩的［２５］。为此需要求解下面的优化问题：??ｍｉｎ?ｒａｎｋ（Ｚ）?ｓ．ｔ．?Ｘ?＝?ＤＺ?（２．４）??７．??将上述优化问题进行凸松弛，将ｒａｄ（Ｚ）变成核函数的形式，得到如下表达式：??ｍｉｎｌｌ?Ｚｌｌ，，?ｓ．ｔ．?Ｘ?＝?ＤＺ?（２．５）??ｚ??通常情况下，会在模型当中添加系数项来，应对数据中出现的噪声点，使模型具有??鲁棒性，则一个更加合理的低秩表示模型［２６］为：
【参考文献】：
期刊论文
[1]基于低秩表示的鲁棒判别特征子空间学习模型[J]. 李骜,刘鑫,陈德运,张英涛,孙广路. 电子与信息学报. 2020(05)
[2]基于非局部相似联合低秩表示的高光谱图像去噪[J]. 张显,叶军. 计算机科学. 2020(01)
[3]K-Means聚类算法研究综述[J]. 杨俊闯,赵超. 计算机工程与应用. 2019(23)
[4]基于矩阵低秩稀疏分解的图像去噪算法[J]. 王雪,靳伍银. 计算机工程与设计. 2019(10)
[5]低秩分块矩阵的核近似[J]. 王中元,刘惊雷. 智能系统学报. 2019(06)
[6]基于压缩感知的加权MCA地震数据重构方法[J]. 孙苗苗,李振春,李志娜,李庆洋,李闯,张怀榜. 地球物理学报. 2019(03)
[7]基于非局部低秩和加权全变分的图像压缩感知重构算法[J]. 赵辉,张静,张乐,刘莹莉,张天骐. 电子与信息学报. 2019(08)
[8]基于近邻传播算法的高光谱波段选择[J]. 任智伟,吴玲达. 舰船电子工程. 2018(09)
[9]基于压缩感知的地震数据重建[J]. 舒国旭,吕公河,吕尧,石太昆,邸志欣,霍守东. 石油物探. 2018(04)
[10]基于信息熵的混合属性数据谱聚类算法[J]. 姜智涵,朱军,周晓锋,李帅. 计算机应用研究. 2019(08)
博士论文
[1]低秩分解及其在计算机视觉中的应用[D]. 郭锴凌.华南理工大学 2017
本文编号：3473121
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
图１．１高光谱图像示例图??Ｆｉｇ．?１．１?Ｓａｍｐｌｅ?ｈｙｐｅｒｓｐｅｃｔｒａｌ?ｉｍａｇｅ??
主要是利用低维数据来有效表达高维数据信息，它能够有效??地减少运算量，降低计算复杂度以及改善分类效率、提高分类精度，在高光谱图像分类??应用中具有非常重要的作用。高光谱数据降维方法主要分为两类：特征提取和波段选择。??￣??ｆ?Ｋ?！?，?Ｋ?＿依据某一标准选择性质最：??｜?Ｉ?＞?！?特麵择?＜?突出的特征??图??像??声?１?，?Ｋ?，?＇?／，???１??？?Ｎ?经己有特征的某种变换获??Ｕ?Ｊ?．?１，持藏?＇?丨一＿麵」??图１．２高光谱图像降维基本框架??Ｆｉｇ．?１．２?Ｈｙｐｅｒｓｐｅｃｔｒａｌ?Ｉｍａｇｅ?ｄｉｍｅｎｓｉｏｎ?ｒｅｄｕｃｔｉｏｎ?ｆｒａｍｅｗｏｒｋ??特征提取是通过原光谱空间或者其子空间的一种数学变换，来实现信息综合、：特征??增强和光谱减维的过程Ｗ，相对比较复杂，计算量较大，同时在特征提取的过程中会对??原始的光谱数据造成损坏，对后续的应用如分类等造成不良影响；特征选择算法是将原??始高光谱数据中比较显著、信息量较大的波段选择出来。虽然两种方式都能够达到对高??光谱图像降维的目的，但是波段选择更能够保留高光谱数据原始特征的空间特征和光谱??特征，因此在相关研究中备受重视，成为了高光谱图像处理研究领域的热门问题，??在基于波段的信息量准则方面，Ｃｈａｖｅｚｅｔ．ａｌ提出了最佳指数法（Ｏｐｔｉｍｕｍ?Ｉｎｄｅｘ??Ｆａｃｔｏｒ，?ＯＩＦ）Ｗ，该方法主要是用来计算不同波段构成波段集后所反映的信息量，具体步??骤是先获得波段之间的标准差和相关矩阵，然后得到全部组合的波段集，获取全部波段??集的ＯＩＦ值，由于ＯＩＦ的值随着波段间的相关性的增大而减少
基于低秩表示的高光谱图像波段选择方法研究?＇??Ｉ?－?Ｈｉ?ＨｌＨ??（ａ）原始数据?（ｂ）低秩部分?（ｃ）稀疏部分??图２．１?ＲＰＣＡ示意图??Ｆｉｇ．?２．１?Ｓｃｈｅｍａｔｉｃ?Ｄｉａｇｒａｍ?ｏｆ?ＲＰＣＡ??当稀疏矩阵￡中的元素服从高斯分布时可以通过主成分分析（Ｐｒｉｎｃｉｐａｌ?Ｃｏｍｐｏｎｅｎｔ??Ａｎａｌｙｓｉｓ，?ＰＣＡ）［２４％法来求解得到Ｘ，但若￡是稀疏的，ＰＣＡ将不再适用。此时，优??化问题变为如下的模型２．２：??ｍｉｎ（ｒａ，７Ａ：（Ｘ），｜｜?￡１丨０）?ｓ．ｔ．?Ｄ?－?Ｘ?＋?Ｅ?（２．２）??引入平衡参数／Ｕ将上述优化问题变成单目标优化问题，同时利用矩阵的核范数和??／ｕ范数分别对秩函数撕汝＃）和０范数ＩＩ魂进行凸松她，得到如下优化问题：??ｍｉｎｌｌ?ＸＩＩ．?＋?１１１?ｆＩＬ?ｓ．ｔ．?Ｄ?＝?Ｘ?＋?Ｅ?（２．３）??Ｘ．Ｅ?，??其中ＩＩＸＩＬ为矩阵Ｘ的核范数，其值等于矩阵Ａ：的奇异值之和，上述优化问题被称??为鲁棒主成分分析（ＲＰＣＡ）。??（２）低秩表示??矩阵的低秩表示是将数据矩阵Ｘ表示成基矩阵Ｚ）下的线性组合，即Ｘ?＝?Ｚ）?＊?Ｚ，并??希望该系数矩阵Ｚ是低秩的［２５］。为此需要求解下面的优化问题：??ｍｉｎ?ｒａｎｋ（Ｚ）?ｓ．ｔ．?Ｘ?＝?ＤＺ?（２．４）??７．??将上述优化问题进行凸松弛，将ｒａｄ（Ｚ）变成核函数的形式，得到如下表达式：??ｍｉｎｌｌ?Ｚｌｌ，，?ｓ．ｔ．?Ｘ?＝?ＤＺ?（２．５）??ｚ??通常情况下，会在模型当中添加系数项来，应对数据中出现的噪声点，使模型具有??鲁棒性，则一个更加合理的低秩表示模型［２６］为：
【参考文献】：
期刊论文
[1]基于低秩表示的鲁棒判别特征子空间学习模型[J]. 李骜,刘鑫,陈德运,张英涛,孙广路. 电子与信息学报. 2020(05)
[2]基于非局部相似联合低秩表示的高光谱图像去噪[J]. 张显,叶军. 计算机科学. 2020(01)
[3]K-Means聚类算法研究综述[J]. 杨俊闯,赵超. 计算机工程与应用. 2019(23)
[4]基于矩阵低秩稀疏分解的图像去噪算法[J]. 王雪,靳伍银. 计算机工程与设计. 2019(10)
[5]低秩分块矩阵的核近似[J]. 王中元,刘惊雷. 智能系统学报. 2019(06)
[6]基于压缩感知的加权MCA地震数据重构方法[J]. 孙苗苗,李振春,李志娜,李庆洋,李闯,张怀榜. 地球物理学报. 2019(03)
[7]基于非局部低秩和加权全变分的图像压缩感知重构算法[J]. 赵辉,张静,张乐,刘莹莉,张天骐. 电子与信息学报. 2019(08)
[8]基于近邻传播算法的高光谱波段选择[J]. 任智伟,吴玲达. 舰船电子工程. 2018(09)
[9]基于压缩感知的地震数据重建[J]. 舒国旭,吕公河,吕尧,石太昆,邸志欣,霍守东. 石油物探. 2018(04)
[10]基于信息熵的混合属性数据谱聚类算法[J]. 姜智涵,朱军,周晓锋,李帅. 计算机应用研究. 2019(08)
博士论文
[1]低秩分解及其在计算机视觉中的应用[D]. 郭锴凌.华南理工大学 2017
本文编号：3473121
本文链接：https://www.wllwen.com/shoufeilunwen/boshibiyelunwen/3473121.html
