資源描述：
《基于空譜特征挖掘的高光譜圖像分類方法研究》由會員上傳分享，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。
1、：分類號：密級ＵＤＣ：編號：工學(xué)博士學(xué)位論文基于空譜特征挖掘的高光譜圖像分類方法研究博士研究生：劉務(wù)指導(dǎo)教師：趙春暉教授學(xué)科、專業(yè)：信息與通信工程哈爾濱工程大學(xué)２０１８年３月分類號：密級：1UDC：編號：1工學(xué)博士學(xué)位論文基于空譜特征挖掘的高光譜圖像分類方法研究博士研究生：劉務(wù)指導(dǎo)教師：趙春暉教授學(xué)位級別：工學(xué)博士學(xué)科、專業(yè)：信息與通信工程所在單位：信息與通信工程學(xué)院論文提交日期：2017年12月論文答辯日期：2018年3月學(xué)位授予單位：哈爾濱工程大學(xué)ClassifiedIndex:U.D.C:ADissertationfortheDe
2、greeofD.EngResearchonSpectral-spatialFeatureMiningforHyperspectralImageClassificationCandidate:WuLiuSupervisor:Prof.ChunhuiZhaoAcademicDegreeAppliedfor:DoctorofEngineeringSpecialty:SignalandInformationProcessingDateofSubmission:Dec.2017DateofOralExamination:Mar.2018University:HarbinEngineer
3、ingUniversity基于空譜特征挖掘的高光譜圖像分類方法研究摘要高光譜圖像分類是圖像理解和解譯領(lǐng)域重要研究課題之一。隨著高光譜遙感技術(shù)的發(fā)展，使得空間分辨率和光譜分辨率不斷提高的同時(shí)，也給高光譜圖像分類帶來了新的挑戰(zhàn)。主要面臨的問題有：1、高光譜圖像光譜維度高，數(shù)據(jù)冗余大；2、高光譜數(shù)據(jù)呈現(xiàn)復(fù)雜的非線性特性；3、訓(xùn)練樣本缺乏；4、“同譜異物”和“同物異譜”現(xiàn)象仍然存在。其中“同譜異物”和“同物異譜”現(xiàn)象使得基于光譜信息的圖像分類算法精度很低，而高維度和訓(xùn)練樣本相對較少容易遭遇“Hughes”現(xiàn)象，所以如何充分挖掘高光譜遙感圖像的光譜特征和空間特征，如何開發(fā)出更有效的分類
4、框架提高其分類精度是本論文的研究重點(diǎn)。論文的主要研究內(nèi)容如下：1、高維度和非線性可分性是高光譜遙感圖像的固有屬性，而傳統(tǒng)的基于嵌入共享子空間嶺回歸的空譜分類算法(Spatial-spectralSharedRidgeRegression,SSSRR)僅在線性空間對高光譜圖像進(jìn)行分類，忽略了高光譜圖像各地物類別間的非線性可分性。為克服此問題，本文提出了基于嵌入非線性共享子空間核嶺回歸的空譜分類算法(Spatial-spectralSharedKernelRidgeRegression,SSSKRR)，SSSKRR使用基于核空間的核嶺回歸算法(KRR)和非線性共享子空間方法對SS
5、SRR進(jìn)行改進(jìn)，使數(shù)據(jù)更具有可分性，得到了比線性方法更好的分類結(jié)果。此外，本文采用了一種有效的基于奇異值分解(SingularValueDecomposition,SVD)的迭代優(yōu)化算法對SSSKRR目標(biāo)函數(shù)進(jìn)行快速求解，從而避免了傳統(tǒng)核學(xué)習(xí)方法中時(shí)間復(fù)雜度高的問題。通過真實(shí)的高光譜數(shù)據(jù)實(shí)驗(yàn)表明，本章所提的方法能夠?qū)崿F(xiàn)快速、高魯棒性和高精度的高光譜圖像分類。2、訓(xùn)練樣本的缺乏是影響高光譜遙感圖像分類效果的直接因素之一，而SVM能較好的適應(yīng)小樣本情況。傳統(tǒng)的基于SVM的高光譜圖像空間和光譜信息的分類算法常應(yīng)用馬爾科夫隨機(jī)場(MarkovRandomFileld,MRF)和圖割(
6、GraphCut,GC)等無監(jiān)督處理算法對SVM結(jié)果進(jìn)行優(yōu)化處理，沒有充分使用數(shù)據(jù)的類別信息，因此，它很可能丟失許多對分類有用的鑒別信息。針對此問題，本文提出了基于空間邏輯回歸(SpatialLogisticRegression,SLR)的高光譜圖像支持向量分類算法(SVM+SLR)，該算法是一個(gè)兩層學(xué)習(xí)模型，對高光譜圖像的光譜信息和空間信息進(jìn)行分層利用。SVM+SLR首先用SVM對原始高光譜圖像進(jìn)行處理，獲得一維特征；然后用矩形窗提取圖像的鄰域信息；最后用有監(jiān)督分類算法邏輯回歸對提取的空間特征進(jìn)行分類。實(shí)驗(yàn)結(jié)果證明所提方法能在有效的提高高光譜圖像的分類精度的同時(shí)大幅度減少了
7、測試時(shí)間。3、當(dāng)訓(xùn)練樣本極少時(shí)，SVM+SLR由于使用線性邏輯回歸使得其分類精度仍然較低。針對此問題，本論文進(jìn)一步提出了一種基于SVM多層學(xué)習(xí)模型的空譜分類算法(Spatial-spectralSVM-basedMulti-layerLearningAlgorithm,SSMLL)，該算法屬于三層學(xué)哈爾濱工程大學(xué)博士學(xué)位論文習(xí)模型。SSMLL首先用基于光譜特征的SVM對原始高光譜圖像進(jìn)行處理；為了規(guī)范SVM結(jié)果和增強(qiáng)非線性特性，引入Sigmoid函數(shù)層對SVM結(jié)果進(jìn)行處理；最后用矩形窗提取圖像的空間鄰域
