基于分类精度预测的高光谱图像分类研究

发布时间：2017-08-14 15:07

  本文关键词：基于分类精度预测的高光谱图像分类研究

  更多相关文章： 高光谱图像分类 非监督波段选择 分类精度预测 联合最优 波段贡献率

【摘要】：高光谱图像具有“图谱合一”的特点,光谱与空间信息丰富,因而在地物的分类与识别领域有巨大的应用潜力。然而,数据量大、冗余信息多、“维数灾难”现象以及“同物异谱”和“异物同谱”等问题,极大地影响高光谱图像分类的效率与效果。为此,本文重点关注波段选择及高光谱图像的分类问题。主要研究工作及取得的成果如下： (1)图像分类性能评价指标预测模型研究 分类精度的高低是图像可分性大小的直接体现。它们不仅可用于高光谱图像的波段选择,而且可指导波段的有效组合,以提高图像的分类性能。本文从图像分类性能评价指标的定义出发,基于各类地物服从混合高斯分布的假设,建立图像分类性能评价指标的预测模型。从理论上分析了特征分布参数是影响图像分类精度的主要因素。本文所建立的分类精度预测模型仅依赖于特征分布参数,且为参变量的显式表达,因而为无训练样本参与的分类精度预测提供了一种可行的途径。利用ROSIS、RetigaEx、AVIRIS三个高光谱数据集以及GeoEye-1和国产Z3两个多光谱数据集进行实验,结果表明,预测模型输出结果与分类方法所得分类精度具有很强的一致性。 (2)基于总体精度排序与K-L距离分析的非监督波段选择方法研究 非监督波段选择方法算法复杂度低,但由于无训练样本的参与,难以得到直接体现波段可分性的准则。考虑到总体精度可以反映各波段的可分性,本文首先基于总体精度预测模型,提出了一种非监督的总体精度预测方法。为了实现了可分性与冗余度准则的在波段选择过程的结合,提出了基于总体精度排序与K-L散度分析的非监督波段选择方法(OCPE)。相比其它非监督波段选择方法,由于考虑了波段的可分性,这种方法更具能体现面向分类的特点。利用ROSIS和RetigaEx数据集进行实验,结果表明本文方法具有明显的分类优势。 (3)总体精度与冗余度联合最优的波段选择方法研究 为了选择可分性强且冗余度低的波段集合,本文通过引入一个刻画各波段重要程度的指标——波段重要性权重(SW),构建总体精度与冗余度联合最优的目标函数,于是,波段选择被转化为带约束的优化问题。在该目标函数中,为了协调总体精度与冗余度,设计了与所选波段数目l成正相关的自适应权衡参数。相比前面所提OCPE方法,这种方法是通过牺牲算法复杂度换取性能。利用ROSIS和RetigaEx数据集的实验结果表明,本文方法性能稳定,在去冗余与保持较高分类精度方面均可达到更好的性能。 (4)基于波段贡献率加权的谱域-空域高光谱图像分类方法研究 各波段对辨别不同地物的能力存在差异,贡献也完全不同。为了发挥各波段的优势,提高光谱信息的利用率,本文将波段贡献率引入光谱空间,并构建了加权的光谱后验概率模型(Weighted Spectral Posterior Probability, WSP)。为了发挥空间信息的作用,通过自适应的权衡参数,进一步将WSP与空间光滑性约束结合。其中,本文采用F-measure刻画波段贡献率,并提出了一种半监督的F-measure预测方法(Semi-Supervised F-measure Prediction Algorithm, SS-FP)。由于在SS-FP方法中,F-measure的预测是利用整个波段的数据进行的,而不是基于不均衡的有限训练样本,因而避免了训练样本不足或比例不均衡的问题。采用ROSIS、RetigaEx及AVIRIS数据集的实验结果表明,相比最新的几种高光谱图像分类方法,本文所提方法能够有效地提高高光谱图像的分类精度。
【关键词】：高光谱图像分类 非监督波段选择 分类精度预测 联合最优 波段贡献率
【学位授予单位】：华中科技大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP751
【目录】：

• 摘要4-6
• Abstract6-10
• 1 绪论10-24
• 1.1 研究背景和意义10-13
• 1.2 国内外研究现状13-20
• 1.3 主要研究内容及章节安排20-22
• 1.4 本文主要贡献22-24
• 2 分类性能评价指标预测模型研究24-43
• 2.1 引言24-26
• 2.2 图像可分性评价26-27
• 2.3 分类性能评价指标预测模型27-35
• 2.4 实验结果与分析35-42
• 2.5 本章小结42-43
• 3 基于总体精度排序与K-L散度分析的波段选择43-63
• 3.1 引言43-44
• 3.2 典型非监督波段选择方法44-46
• 3.3 基于总体精度排序与K-L散度分析的方法46-53
• 3.4 实验结果与分析53-61
• 3.5 本章小结61-63
• 4 总体精度与冗余度联合最优的波段选择63-80
• 4.1 引言63-64
• 4.2 总体精度与冗余度联合最优的非监督波段选择方法64-70
• 4.3 实验结果与分析70-79
• 4.4 本章小结79-80
• 5 基于波段贡献率加权的谱域-空域高光谱图像分类80-102
• 5.1 引言80-81
• 5.2 基于波段贡献率加权的谱域-空域高光谱图像分类方法81-89
• 5.3 实验结果与分析89-101
• 5.4 本章小结101-102
• 6 全文总结与展望102-105
• 6.1 全文总结102-103
• 6.2 工作展望103-105
• 参考文献105-114
• 致谢114-115
• 附录1 攻读博士学位期间发表的论文及专利115-116
• 附录2 攻读博士学位期间获得的奖励116-117
• 附录3 英文缩写对照表117-118
• 附录4 数学符号说明118-120

【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

，

本文编号：673269