資源描述：
《結(jié)合聚類算法的高光譜圖像半監(jiān)督分類研究》由會員上傳分享，免費在線閱讀，更多相關(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)碩士學(xué)位論文結(jié)合聚類算法的高光譜圖像半監(jiān)督分類研究碩士研究生：馬赫男指導(dǎo)教師：王立國教授學(xué)科、專業(yè)：信息與通信工程論文主審人：趙春暉教授哈爾濱工程大學(xué)2018年3月分類號：密級：UDC：編號：工學(xué)碩士學(xué)位論文結(jié)合聚類算法的高光譜圖像半監(jiān)督分類研究碩士研究生：馬赫男指導(dǎo)教師：王立國教授學(xué)位級別：工學(xué)碩士學(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：2018年03月論文答辯日期：2018年03月學(xué)位授予單位：哈爾濱工程大學(xué)ClassifiedIndex:U.D.C:ADissertation
2、fortheDegreeofM.EngResearchontheSemi-SupervisedSlassificationofHyperspectralImageswithClusteringAlgorithmCandidate:MaHenanSupervisor:Prof.WangLiguoAcademicDegreeAppliedfor:MasterofEngineeringSpecialty:InformationandCommunicationEngineeringDateofSubmission:March,2018DateofO
3、ralExamination:March,2018University:HarbinEngineeringUniversity哈爾濱工程大學(xué)學(xué)位論文原創(chuàng)性聲明本人鄭重聲明：本論文的所有工作，是在導(dǎo)師的指導(dǎo)下，由作者本人獨立完成的。有關(guān)觀點、方法、數(shù)據(jù)和文獻(xiàn)的引用已在文中指出，并與參考文獻(xiàn)相對應(yīng)。除文中已注明引用的內(nèi)容外，本論文不包含任何其他個人或集體已經(jīng)公開發(fā)表的作品成果。對本文的研究做出重要貢獻(xiàn)的個人和集體，均已在文中以明確方式標(biāo)明。本人完全意識到本聲明的法律結(jié)果由本人承擔(dān)。作者（簽字）：日期：年月日哈爾濱工程大學(xué)學(xué)位論文授權(quán)使用聲明本人
4、完全了解學(xué)校保護知識產(chǎn)權(quán)的有關(guān)規(guī)定，即研究生在校攻讀學(xué)位期間論文工作的知識產(chǎn)權(quán)屬于哈爾濱工程大學(xué)。哈爾濱工程大學(xué)有權(quán)保留并向國家有關(guān)部門或機構(gòu)送交論文的復(fù)印件。本人允許哈爾濱工程大學(xué)將論文的部分或全部內(nèi)容編入有關(guān)數(shù)據(jù)庫進(jìn)行檢索，可采用影印、縮印或掃描等復(fù)制手段保存和匯編本學(xué)位論文，可以公布論文的全部內(nèi)容。同時本人保證畢業(yè)后結(jié)合學(xué)位論文研究課題再撰寫的論文一律注明作者第一署名單位為哈爾濱工程大學(xué)。涉密學(xué)位論文待解密后適用本聲明。本論文（□在授予學(xué)位后即可□在授予學(xué)位12個月后□解密后）由哈爾濱工程大學(xué)送交有關(guān)部門進(jìn)行保存、匯編等。作者（簽字）
5、：導(dǎo)師（簽字）：日期：年月日年月日摘要隨著成像光譜技術(shù)的發(fā)展，高光譜遙感技術(shù)在眾多領(lǐng)域得到了發(fā)展和應(yīng)用。高光譜遙感技術(shù)將傳統(tǒng)圖像空間維和光譜維融合到一起，具有豐富的地物光譜信息，因而高光譜圖像地物的分類和聚類成為了高光譜數(shù)據(jù)處理的兩大主干方向。當(dāng)今的高光譜圖像的分類和聚類技術(shù)往往是孤立發(fā)展的，融合二者優(yōu)勢的技術(shù)或算法并不多見。此外，高光譜圖像的半監(jiān)督分類往往忽視了聚類特征中所隱含的高信息量樣本。為此提出了結(jié)合聚類算法的高光譜圖像半監(jiān)督分類算法，本文所做工作描述如下：首先，闡述了高光譜圖像在遙感技術(shù)領(lǐng)域的重要作用，分析高光譜圖像的成像理論及其
6、數(shù)據(jù)特點，回顧并簡述了高光譜圖像分類與聚類技術(shù)的發(fā)展歷史與現(xiàn)狀，說明了課題研究的背景與意義。其次，介紹了高光譜圖像聚類分析的運算流程與評價標(biāo)準(zhǔn)，以及典型的聚類算法，然后基于高光譜圖像的實際應(yīng)用環(huán)境提出了幾點改進(jìn)思路，為聚類的深度改進(jìn)提供了理論基礎(chǔ)。通過仿真實驗探索出了最適合高光譜數(shù)據(jù)環(huán)境的聚類算法，并根據(jù)改進(jìn)思路對傳統(tǒng)聚類算法進(jìn)行改進(jìn)，驗證了預(yù)聚類算法對于高光譜數(shù)據(jù)聚類質(zhì)量具有改善作用。再次，介紹了高光譜圖像分類分析的算法流程與評價標(biāo)準(zhǔn)，對幾種典型的監(jiān)督、半監(jiān)督算法進(jìn)行了簡介。著重介紹了基于空間信息的高光譜圖像分類算法與孿生支持向量機算法，
7、為后文的算法改進(jìn)提供了理論基礎(chǔ)與原始算法。通過仿真實驗，驗證了大量無標(biāo)簽樣本對于高光譜圖像的分類有助力作用，并且驗證了空間信息與光譜信息的級聯(lián)能夠明顯提高高光譜圖像的分類精度。然后，提出了基于聚類信息指導(dǎo)的高光譜圖像空-譜半監(jiān)督分類算法。首先通過Gabor濾波器提取空間信息，使用主動學(xué)習(xí)的思想篩選信息量高的候選樣本，接著使用深度改進(jìn)的K_Medoids算法對候選樣本進(jìn)行篩選，然后重新投放到有標(biāo)簽樣本的數(shù)據(jù)集中，從而通過聚類信息的指導(dǎo)提高了概率模型SVM的分類精度。最后，提出了融合聚類特征的高光譜圖像半監(jiān)督協(xié)同分類算法。首先將高光譜數(shù)據(jù)經(jīng)過深
8、度改進(jìn)的K_Means算法進(jìn)行聚類特征提取，然后與最小二乘孿生支持向量機組合形成協(xié)同訓(xùn)練模型，該模型由聚類損耗函數(shù)、分類一致函數(shù)、分類差異性、樣本差異性四個指數(shù)所構(gòu)成的目標(biāo)函數(shù)所
