資源描述：
《基于空—譜關系的高光譜圖像半監(jiān)督分類研究》由會員上傳分享，免費在線閱讀，更多相關內容在學術論文-天天文庫。
1、分類號：學校代碼：10165密級：學號：201511000845碩士學位論文基于空-譜關系的高光譜圖像半監(jiān)督分類研究作者姓名：蓋虹羽學科、專業(yè)：地圖學與地理信息系統(tǒng)研究方向：空間數據挖掘導師姓名：謝福鼎教授2018年5月遼寧師范大學碩士學位論文摘要高光譜遙感的主要特點是圖譜合一。高光譜圖像融合了地物的圖像維和光譜維數據，提供了豐富的地物信息，進而可根據光譜成像儀得到每類地物的連續(xù)光譜信息進行地物識別和分類。由于高光譜遙感數據的光譜維數較高,相鄰波段間的相關性強,空間信息豐富，數據量大，所以使用傳
2、統(tǒng)的分類方法容易造成維數災難,且分類精度不理想。如何針對高光譜數據的特點，找到穩(wěn)定的，高精度的，能有效獲取其地物特征的分類方法，是高光譜遙感分類研究的主要的問題。將高光譜影像的空間信息融入到特征提取中,采用空-譜聯合的方式,選取合適的地物特征對數據進行維約簡，是處理高光譜數據分類的一種有效方式。在獲取的高光譜數據中，大量樣本沒有標簽或標記樣本數較少，難以滿足監(jiān)督分類方法的要求，因此使用半監(jiān)督的分類方式能夠最大程度地利用少量的地物標簽信息，對整體數據進行維數約簡和分類。近年來機器學習和人工智能領域
3、中的新成果給高光譜數據分類提供了新的數據處理工具，人工神經網絡因其對數據分布無任何要求，適用于處理高光譜圖像中非正態(tài)分布、非線性的數據，很好地解決了數據標記樣本數不足的問題，越來越多的神經網絡相關方法被不斷完善，應用到高光譜遙感影像分類領域。本文在考慮高光譜圖像的光譜特征和空間特征的基礎上，提出了兩種高光譜分類的方法。由于高光譜數據標記樣本少，且在高維空間中存在“流形結構”，本文通過地理空間近鄰關系改進了半監(jiān)督邊際Fisher分析方法,并結合局部平均偽近鄰方法,提出了一種高光譜遙感影像分類策略。
4、此方法保持了原高維空間中數據的類內結構和類間結構,將高光譜數據從高維空間映射到低維空間。然后充分考慮樣本點周圍多個近鄰點的類別信息,利用局部平均偽近鄰算法對低維空間中的數據進行分類識別。實驗證明，此方法能夠獲取高光譜數據的空-譜特征，有效解決地物點的多分類問題,并且取得較高的分類結果。本文采用卷積神經網絡提取數據特征并分類，在標簽預測過程，使用空間鄰域約束的線性意見池方法計算后驗概率。為進一步提高分類精度，采用鄰域濾波優(yōu)化的方式，對分類后的數據進行后處理，使塊內部均質化。通過實驗表明，此方法有效
5、，能夠獲得較高分類精度。為了說明本文所提出的算法的有效性，兩種方法均在IndianPines數據集和PaviaUniversity數據集上進行了實驗。結果表明本文提出的方法能夠有效提取地物特征，提高分類精度。-I-基于空-譜關系的高光譜圖像半監(jiān)督分類研究關鍵詞：高光譜影像;半監(jiān)督學習;偽近鄰;卷積神經網絡；分類-II-遼寧師范大學碩士學位論文ResearchonSemi-supervisedHyperspectralImageClassificationBasedonSpatial-Spectr
6、alRelationshipsAbstractOneofthemostimportantcharacteristicsofhyperspectralremotesensingisthefusionofthespatialfeatureandspectralfeature.Theacquiredgroundspaceimagesintegratetheimageofthegroundobjectsandthespectralinformation,andobtainthecontinuousspe
7、ctralinformationofeachgroundobject.Sotheobjectscanbeidentifiedandclassifiedaccordingtotheobtainedinformation.Duetothehighspectraldimensionofhyperspectralremotesensingdata,strongcorrelationbetweenadjacentbands,richspatialinformationandlargedatavolume,
8、theapplicationoftraditionalclassificationmethodscaneasilycausedimensiondisastersandresultsinalowclassificationaccuracy.Itisahottopicinhyperspectralremotesensingclassificationhowtofindstable,high-precisionandeffectiveclassificationmethods.Consideringt
