基于空谱联合模型的高光谱图像分类方法研究

发布时间：2023-04-27 22:00

　　高光谱图像分类问题是高光谱遥感领域中非常重要的研究课题,在民用和军用等方面均具有广泛的实用价值和应用前景。如何有效地综合考虑像元的光谱特征信息和空间结构信息是提升高光谱图像分类算法精度的关键。本文对基于空谱联合模型的高光谱分类算法进行了深入研究,主要创新工作如下:首先,本文将最近子空间算法扩展到高光谱图像分类领域,提出了联合鲁棒最近子空间分类模型。该算法通过在联合子空间模型中引入加性稀疏噪声来考虑邻域像元矩阵中的异常噪声,并定义鲁棒最近子空间距离来度量邻域像元样本矩阵与每类训练样本集合间的差异。在此基础上,本文提出了鲁棒语义原型学习算法通过迭代优化的方式获得对训练样本更加有效的原型表示。实验结果表明,本文所提出的联合鲁棒最近子空间距离和鲁棒语义原型算法均能逐步提升高光谱图像分类算法精度。其次,本文针对如何有效获得及利用表示系数的问题,提出了基于两阶段空谱联合表示模型的高光谱分类框架。本文提出了联合协同表示模型和联合结构化稀疏表示模型,并给出了相应的优化求解方案。在此基础上,本文将上述模型获得的表示系数作为新的特征用来训练分类器模型。在测试过程中,将联合表示模型的分类概率输出和分类器模型...

【文章页数】：119 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 高光谱图像分类概述
    1.3 国内外研究现状
    1.4 相关算法综述
        1.4.1 基于空谱特征提取的高光谱图像分类
        1.4.2 基于核融合的高光谱图像分类
        1.4.3 基于半监督学习的高光谱图像分类
        1.4.4 基于联合表示模型的高光谱图像分类
    1.5 实验数据集
        1.5.1 Indian Pines数据集
        1.5.2 Univers of Pavia数据集
        1.5.3 Kennedy Space Center数据集
    1.6 评估准则
        1.6.1 混淆矩阵
        1.6.2 整体精度
        1.6.3 平均精度
        1.6.4 Kappa系数
    1.7 本文研究内容与组织结构
2 基于鲁棒联合最近子空间的高光谱图像分类
    2.1 引言
    2.2 最近子空间算法
    2.3 鲁棒联合最近子空间
        2.3.1 联合最近子空间
        2.3.2 鲁棒联合最近子空间
    2.4 鲁棒语义原型学习
    2.5 总体分类框架
    2.6 实验结果及分析
        2.6.1 Indian Pines数据集上不同算法对比
        2.6.2 参数讨论与分析
        2.6.3 University Pavia和Kennedy Space Center数据集上不同算法对比
    2.7 本章小结
3 基于两阶段空谱联合表示模型的高光谱图像分类
    3.1 引言
    3.2 联合稀疏表示模型
    3.3 联合协同表示模型
    3.4 联合结构化稀疏表示模型
    3.5 两阶段空谱联合表示模型
    3.6 实验结果及讨论
        3.6.1 Indian Pines数据库上不同算法对比
        3.6.2 本章算法分析与讨论
        3.6.3 University of Pavia和Kennedy Space Center数据集上不同算法对比
    3.7 本章小结
4 基于空谱联合K近邻的高光谱图像分类
    4.1 引言
    4.2 最近邻和K近邻算法
        4.2.1 最近邻算法
        4.2.2 K近邻算法
        4.2.3 加权K近邻算法
        4.2.4 基于K近邻的高光谱图像分类
    4.3 空谱联合K近邻算法
        4.3.1 基本思想
        4.3.2 空谱K近邻分类框架
    4.4 实验结果及分析
        4.4.1 Indian Pines数据集上不同算法对比
        4.4.2 参数分析与相关算法对比
        4.4.3 University of Pavia数据集上不同算法对比
    4.5 本章小结
5 基于集合度量和标签优化的高光谱图像分类
    5.1 引言
    5.2 基于集合度量的高光谱图像分类模型
        5.2.1 集合到集合度量模型
        5.2.2 凸包表示模型优化求解
        5.2.3 有效子集选择
    5.3 基于流形正则的标签优化算法
    5.4 实验结果及分析
        5.4.1 Indian Pines数据集上不同算法对比
        5.4.2 参数分析与讨论
        5.4.3 University of Pavia和Kennedy Space Center数据集上不同算法对比
    5.5 本章小结
6 结论与展望
    6.1 结论
    6.2 创新点
    6.3 展望
参考文献
附录A Indian Pines数据集上不同算法对比结果
附录B University of Pavia数据集上不同算法对比结果
附录C Kennedy Space Center数据集上不同算法对比结果
攻读博士学位期间科研项目及科研成果
致谢
作者简介



本文编号：3803146