發(fā)布時(shí)間：2018-06-28 04:44

  本文選題：高光譜圖像分類 + 半監(jiān)督學(xué)習(xí)��； 參考：《華中科技大學(xué)》2016年博士論文

【摘要】：分類是高光譜圖像分析中最重要的研究?jī)?nèi)容之一。高光譜圖像具有豐富的空間和光譜信息,這給高光譜圖像分類帶了機(jī)遇和挑戰(zhàn)。主要面臨以下幾個(gè)問題急待解決：1)高光譜圖像數(shù)據(jù)的高維性；2)標(biāo)記樣本少；3)光譜信息的空間變異性；4)圖像的質(zhì)量。其中高光譜圖像數(shù)據(jù)的高維性和相對(duì)少量的標(biāo)記樣本會(huì)造成Hughes現(xiàn)象；而光譜信息的空問變異性和圖像的質(zhì)量會(huì)導(dǎo)致同物異譜和異物同譜現(xiàn)象。本文圍繞高光譜圖像的分類問題,結(jié)合高光譜圖像的數(shù)據(jù)特點(diǎn),采用監(jiān)督、半監(jiān)督和無監(jiān)督的學(xué)習(xí)算法展開深入研究�？兆V(空間-光譜)分類是高光譜圖像分類的一個(gè)重要研究課題。傳統(tǒng)的高光譜圖像分類算法通常只利用了它的光譜信息,為了獲得較好的分類效果,往往對(duì)標(biāo)記樣本的數(shù)量要求較高。而在實(shí)際中獲取真實(shí)標(biāo)記樣本相當(dāng)困難,空間信息的引入不僅能彌補(bǔ)樣本標(biāo)記信息的不足,還能有效克服同物異譜和異物同譜現(xiàn)象。本文首先提出了一種高斯加權(quán)局部均值算子,該算子能夠充分利用局部鄰域內(nèi)光譜信息的相似性提取樣本的空間信息。由于光譜信息本身具有很高的維數(shù),又引入空間信息會(huì)使得樣本的數(shù)據(jù)維數(shù)更高,從而造成嚴(yán)重的信息冗余和維數(shù)災(zāi)難。為解決這一問題,本文提出了一種復(fù)合核判別分析特征提取算法,該算法利用堆疊核、串聯(lián)核和并聯(lián)核將空間信息和光譜信息(空譜信息)進(jìn)行不同組合,再通過非線性判別分析提取相應(yīng)的特征進(jìn)行分類。在極少量的標(biāo)記樣本情況下,相比于最近流行的復(fù)合核和廣義復(fù)合核算法,本文提出的監(jiān)督學(xué)習(xí)空譜分類算法能夠提取更有效的判別特征,并獲得更好的分類精度。標(biāo)記樣本的缺乏是直接影響高光譜圖像分類的最重要因素之一。對(duì)于監(jiān)督學(xué)習(xí)的分類算法而言,實(shí)現(xiàn)高光譜圖像的高精度分類依然是一個(gè)很艱巨的任務(wù)。在高光譜圖像中,真實(shí)標(biāo)記樣本雖然難以采集,但是未標(biāo)記的樣本卻容易獲得。因此本文提出了一種半監(jiān)督學(xué)習(xí)的空譜分類框架。該框架采用半監(jiān)督學(xué)習(xí)的算法學(xué)習(xí)新的標(biāo)記樣本用于彌補(bǔ)標(biāo)記樣本的不足。與其他流行的半監(jiān)督學(xué)習(xí)分類算法相比,本文提出的框架在分類精度方面具有顯著的優(yōu)勢(shì)。雖然提出的框架取得了比較高的分類精度,但是還存在一些待改進(jìn)的地方。于是本文提出了一種組合無監(jiān)督、半監(jiān)督和監(jiān)督學(xué)習(xí)算法的空譜分類模型。首先利用主成分分析對(duì)高光譜圖像進(jìn)行降維并提取少數(shù)幾個(gè)主成分特征；然后利用半監(jiān)督學(xué)習(xí)算法將未標(biāo)記樣本劃分為易分樣本和難分樣本；再利用空間鄰域信息和形態(tài)學(xué)算子從易分樣本中挑選出高可信集,并將適當(dāng)數(shù)量的高可信集樣本加入到訓(xùn)練集,難分樣本作為測(cè)試集；最終,監(jiān)督學(xué)習(xí)的空譜分類算法被用于難分樣本的分類任務(wù)。實(shí)驗(yàn)結(jié)果證明本文提出的模型能夠獲得快速和高精度的分類效果,優(yōu)于目前高光譜圖像處理中一些流行的半監(jiān)督學(xué)習(xí)分類算法。
[Abstract]:Classification is one of the most important research contents in hyperspectral image analysis . Hyperspectral images have rich spatial and spectral information , which brings opportunities and challenges to hyperspectral image classification .
2 ) few labeled samples ;
3 ) spatial variability of spectral information ;
4 ) the quality of the image , wherein the high - dimensional nature of hyperspectral image data and the relatively small number of labeled samples can cause the phenomenon of Hughes ;
In order to obtain better classification results , it is difficult to obtain the high precision classification of hyperspectral image .
Secondly , semi - supervised learning algorithm is used to divide unlabeled exemplars into easy - to - separable samples and difficult - to - minute samples ;
then , using the space neighborhood information and the morphological operator to select a high confidence set from the easily separable sample , and adding an appropriate number of highly trusted set samples to the training set , and the sample is difficult to be divided into a test set ;
The results show that the proposed model can obtain fast and high - precision classification results , which is superior to some popular semi - supervised learning classification algorithms in hyperspectral image processing .
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 諶德榮;宮久路;陳乾;曹旭平;;基于樣本分割的快速高光譜圖像異常檢測(cè)支持向量數(shù)據(jù)描述方法[J];兵工學(xué)報(bào);2008年09期

2 王雷;喬曉艷;董有爾;張姝;尚艷飛;;高光譜圖像技術(shù)在農(nóng)產(chǎn)品檢測(cè)中的應(yīng)用進(jìn)展[J];應(yīng)用光學(xué);2009年04期

3 蒲曉豐;雷武虎;張林虎;蔣奇材;;基于Fukunaga-Koontz變換的高光譜圖像異常檢測(cè)[J];紅外技術(shù);2010年04期

4 成寶芝;郭宗光;;高光譜圖像波段間相關(guān)特性研究[J];大慶師范學(xué)院學(xué)報(bào);2013年06期

5 王慶國(guó);黃敏;朱啟兵;孫群;;基于高光譜圖像的玉米種子產(chǎn)地與年份鑒別[J];食品與生物技術(shù)學(xué)報(bào);2014年02期

6 楊龍;易宏杰;李因彥;;遙感高光譜圖像赤潮識(shí)別[J];傳感器世界;2007年05期

7 汪倩;陶鵬;;結(jié)合空間信息的高光譜圖像快速分類方法[J];微計(jì)算機(jī)信息;2010年21期

8 王立國(guó);孫杰;肖倩;;結(jié)合空-譜信息的高光譜圖像分類方法[J];黑龍江大學(xué)自然科學(xué)學(xué)報(bào);2010年06期

9 馮朝麗;朱啟兵;朱曉;黃敏;;基于光譜特征的玉米品種高光譜圖像識(shí)別[J];江南大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年02期

10 徐爽;何建國(guó);馬瑜;梁慧琳;劉貴珊;賀曉光;;高光譜圖像技術(shù)在水果品質(zhì)檢測(cè)中的研究進(jìn)展[J];食品研究與開發(fā);2013年10期

相關(guān)會(huì)議論文 前10條

1 張兵;王向偉;鄭蘭芬;童慶禧;;高光譜圖像地物分類與識(shí)別研究[A];成像光譜技術(shù)與應(yīng)用研討會(huì)論文集[C];2004年

2 高連如;張兵;孫旭;李山山;張文娟;;高光譜數(shù)據(jù)降維與分類技術(shù)研究[A];第八屆成像光譜技術(shù)與應(yīng)用研討會(huì)暨交叉學(xué)科論壇文集[C];2010年

3 王成;何偉基;陳錢;;基于波段重組和小波變換的高光譜圖像嵌入式壓縮方法[A];黑龍江、江蘇、山東、河南、江西 五省光學(xué)（激光）聯(lián)合學(xué)術(shù)‘13年會(huì)論文（摘要）集[C];2013年

4 孫蕾;羅建書;;基于分類預(yù)測(cè)的高光譜遙感圖像無損壓縮[A];第一屆建立和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2005）論文集[C];2005年

5 楊勇;劉木華;鄒小蓮;苗蓬勃;趙珍珍;;基于高光譜圖像技術(shù)的獼猴桃硬度品質(zhì)檢測(cè)[A];走中國(guó)特色農(nóng)業(yè)機(jī)械化道路——中國(guó)農(nóng)業(yè)機(jī)械學(xué)會(huì)2008年學(xué)術(shù)年會(huì)論文集（下冊(cè)）[C];2008年

6 張曉紅;張立福;王晉年;童慶禧;;HJ-1A衛(wèi)星高光譜遙感圖像質(zhì)量綜合評(píng)價(jià)[A];第八屆成像光譜技術(shù)與應(yīng)用研討會(huì)暨交叉學(xué)科論壇文集[C];2010年

7 高東生;高連知;;基于獨(dú)立分量分析的高光譜圖像目標(biāo)盲探測(cè)方法研究[A];國(guó)家安全地球物理叢書（八）——遙感地球物理與國(guó)家安全[C];2012年

8 馮維一;陳錢;何偉基;;基于小波稀疏的高光譜目標(biāo)探測(cè)算法[A];黑龍江、江蘇、山東、河南、江西 五省光學(xué)（激光）聯(lián)合學(xué)術(shù)‘13年會(huì)論文（摘要）集[C];2013年

9 彭妮娜;易維寧;方勇華;;基于核函數(shù)的高光譜圖像信息提取研究[A];光子科技創(chuàng)新與產(chǎn)業(yè)化——長(zhǎng)三角光子科技創(chuàng)新論壇暨2006年安徽博士科技論壇論文集[C];2006年

10 蒲曉豐;雷武虎;黃濤;王迪;;基于穩(wěn)健背景子空間的高光譜圖像異常檢測(cè)[A];中國(guó)光學(xué)學(xué)會(huì)2010年光學(xué)大會(huì)論文集[C];2010年

相關(guān)博士學(xué)位論文 前10條

1 普晗曄;高光譜遙感圖像的解混理論和方法研究[D];復(fù)旦大學(xué);2014年

2 王亮亮;非線性流形結(jié)構(gòu)在高光譜圖像異常檢測(cè)中的應(yīng)用研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2014年

3 賀智;改進(jìn)的經(jīng)驗(yàn)?zāi)�態(tài)分解算法及其在高光譜圖像分類中的應(yīng)用[D];哈爾濱工業(yè)大學(xué);2014年

4 魏然;基于成像機(jī)理分析的高光譜圖像信息恢復(fù)研究[D];哈爾濱工業(yè)大學(xué);2015年

5 葉珍;高光譜圖像特征提取與分類算法研究[D];西北工業(yè)大學(xué);2015年

6 馮婕;基于軟計(jì)算和互信息理論的遙感圖像地物分類[D];西安電子科技大學(xué);2014年

7 孫濤;快速多核學(xué)習(xí)分類研究及應(yīng)用[D];西安電子科技大學(xué);2015年

8 李昌國(guó);基于譜間和校正相關(guān)性的高光譜圖像壓縮方法研究及GPU并行實(shí)現(xiàn)[D];成都理工大學(xué);2015年

9 高放;高光譜圖像無損預(yù)測(cè)壓縮技術(shù)研究[D];吉林大學(xué);2016年

10 曲海成;面向光譜解混的高光譜圖像快速處理技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 豐爍;高光譜圖像波段選取問題的改進(jìn)算法研究[D];昆明理工大學(xué);2015年

2 趙偉彥;果蔬干燥過程中的品質(zhì)無損檢測(cè)技術(shù)研究[D];江南大學(xué);2015年

3 馬亞楠;果蔬中內(nèi)部害蟲的高光譜圖像檢測(cè)技術(shù)研究[D];江南大學(xué);2015年

4 劉大洋;基于近紅外光譜和高光譜圖像技術(shù)無損識(shí)別獼猴桃膨大果[D];西北農(nóng)林科技大學(xué);2015年

5 王坤;高光譜圖像異常目標(biāo)檢測(cè)及光譜成像在偽裝評(píng)估方面的應(yīng)用研究[D];南京理工大學(xué);2015年

6 王啟聰;高光譜圖像分類的GPU并行優(yōu)化研究[D];南京理工大學(xué);2015年

7 程凱;無先驗(yàn)信息的高光譜圖像小目標(biāo)檢測(cè)算法研究[D];蘇州大學(xué);2015年

8 李秩期;基于高光譜及多信息融合的馬鈴薯外部缺陷無損檢測(cè)研究[D];寧夏大學(xué);2015年

9 王健;基于高光譜圖像的馬鈴薯形狀及重量分類識(shí)別建模研究[D];寧夏大學(xué);2015年

10 吳蓓芬;偏振高光譜圖像場(chǎng)景仿真及分類方法研究[D];哈爾濱工業(yè)大學(xué);2015年

，

本文編號(hào)：2076789