資源描述：
《高光譜圖像分類研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、分類號(hào)TP751.1密級(jí)公開UDC621.39學(xué)位論文編號(hào)D-10617-308-(2016)-01120重慶郵電大學(xué)碩士學(xué)位論文中文題目高光譜圖像分類研究英文題目ResearchonClassificationofHyper-spectralImage學(xué)號(hào)S130101139姓名屈龍瑤學(xué)位類別工學(xué)碩士學(xué)科專業(yè)信息與通信工程指導(dǎo)教師陳善學(xué)教授完成日期2016年6月8日重慶郵電大學(xué)碩士學(xué)位論文摘要摘要高光譜圖像包含了豐富的光譜信息和空間信息，通過(guò)分析處理這些信息，可以確定圖像中像元對(duì)應(yīng)的地物類別。高光譜圖像的地物分類是圖像應(yīng)用
2、的前提，圖像的分類精度也直接影響著后續(xù)使用的效果。目前，高光譜遙感圖像分類在農(nóng)業(yè)、軍事、海洋管理和地質(zhì)勘探等方向中被廣泛應(yīng)用，高光譜圖像分類技術(shù)已經(jīng)成為現(xiàn)代科技的重要組成部分。本文分別從高光譜圖像的光譜信息和空間信息兩個(gè)方面對(duì)高光譜圖像中的分類信息進(jìn)行提取研究，提出基于正規(guī)化歐氏距離的稀疏表示分類算法和基于邊緣檢測(cè)自適應(yīng)鄰域的馬爾可夫高光譜圖像分類算法，達(dá)到了提升圖像分類精度的目的。文章的主要研究?jī)?nèi)容有：1.提出一種基于正規(guī)化歐氏距離的稀疏表示高光譜圖像分類算法。該算法針對(duì)現(xiàn)有稀疏表示分類算法中歐式距離計(jì)算待測(cè)像元類別歸屬時(shí)
3、缺少像元的類別特征信息的問題，利用正規(guī)化歐氏距離代替?zhèn)鹘y(tǒng)稀疏表示分類算法中的歐氏距離，在計(jì)算殘差向量的類別歸屬時(shí)引入頻段方差信息；在期望最大化算法模型中，重新估計(jì)正規(guī)化歐氏距離中的方差向量，重新計(jì)算待測(cè)像元的類別，使算法具備迭代自更新的能力；實(shí)驗(yàn)結(jié)果表明，基于正規(guī)化歐氏距離的稀疏表示分類算法能夠提高稀疏表示分類算法的分類精度。2.研究了一種基于邊緣檢測(cè)自適應(yīng)鄰域的馬爾可夫高光譜圖像分類算法。該算法利用馬爾可夫隨機(jī)場(chǎng)對(duì)通過(guò)基分類器初始分類的高光譜圖像進(jìn)行二次分類，達(dá)到提升圖像分類精度的目的。在利用馬爾可夫隨機(jī)場(chǎng)進(jìn)行分類的同時(shí)，
4、利用主成分分析的方法將初始高光譜圖像降維，提取出第一維度數(shù)據(jù)，通過(guò)對(duì)歸一化處理后的第一維數(shù)據(jù)進(jìn)行Canny算子邊緣檢測(cè)，得到邊緣邏輯圖，利用四個(gè)方向自由度的策略確定以待測(cè)像元為中心的鄰域大小。利用馬爾可夫隨機(jī)場(chǎng)對(duì)該鄰域內(nèi)的中心像元進(jìn)行判決，得到最終分類結(jié)果。實(shí)驗(yàn)結(jié)果表明，該方法能夠有效的提升高光譜圖像的分類精度。關(guān)鍵詞：圖像分類，稀疏表示，正規(guī)化歐式距離，馬爾可夫隨機(jī)場(chǎng)，邊緣檢測(cè)I重慶郵電大學(xué)碩士學(xué)位論文AbstractAbstractHyperspectralimagecontainsabundantspectralinf
5、ormationandspatialinformation.Byanalyzingtheseinformations,peoplecouldidentifyobjectcategoriesonthehyperspectralimage.Hyperspectralimageclassificationisaverypivotalpartinthepracticalapplications.Nowadays,hyperspectralimageclassificationiswidelyusedinagriculture,mil
6、itary,marinemanagement,geologicalexplorationandsoon.Hyperspectralimageclassificationtechnologyhasbecomeanimportantpartofmodernscienceandtechnology.Inthisthesis,thehyperspectralimageclassificationinformationisextractedfromtwoaspectsofspectralinformationandspatialinf
7、ormation.Thisthesisproposestwoalgorithms:asparserepresentationbasedonnormalizedEuclideandistanceandanadaptiveneighborhoodMarkovrandomfieldbasedonedgedetection.Themaincontentsofthisthesisindicatedasfollows.1.Thisthesisproposedanimprovedmethodcalledsparserepresentati
8、onbasedonnormalizedEuclideandistanceforhyperspectralimageclassification.ThenormalizedEuclideandistanceisintroducedintothetraditionalsparsereprese
