欢迎来到天天文库
浏览记录
ID:34848466
大小:3.48 MB
页数:74页
时间:2019-03-12
《面向高光谱遥感图像分类的流形学习研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、面向高光谱遥感图像分类的流形学习研究重庆大学硕士学位论文(学术学位)学生姓名:张杰指导教师:李志敏副教授专业:仪器科学与技术学科门类:工学重庆大学光电工程学院二O一五年四月TheresearchofManifoldLearningforHyperspectralImageClassificationAThesisSubmittedtoChongqingUniversityInPartialFulfillmentoftheRequirementfortheMaster’sDegreeofEngineer
2、ingByZhangJieSupervisedbyAss.Prof.LiZhiminSpecialty:InstrumentScienceandTechnologyCollegeofOptoelectronicsEngineeringofChongqingUniversity,Chongqing,ChinaApril,2015中文摘要摘要高光谱遥感图像具有详细的空间几何信息和丰富的光谱特征信息,其数据量大、维数过高、冗余性强的特点,若直接对高光谱遥感图像进行分类,容易出现“维数灾难”问题。因此,如何提
3、取出有用的鉴别特征信息来提升高光谱遥感图像的分类精度成为关键问题。本文以高光谱遥感数据的非线性属性分析入手,主要从流形学习角度对高光谱遥感数据的特征提取及分类进行深入研究。相关的研究工作如下:①总结介绍了传统线性特征提取算法、局部流形学习算法、常用分类算法及分类结果的评价标准;②研究提出了面向高光谱遥感图像分类的半监督Laplace鉴别嵌入算法。由于传统的全局线性特征提取算法存在不能发现数据集的局部流形特征,以及单纯的局部流形学习算法忽略了标记样本的类别信息,容易破坏数据集的可分性问题。因而,本文提出
4、一种基于保护样本集的可分性及流形结构特征的半监督Laplace鉴别嵌入(SSLDE)算法。该算法利用标记样本的类别信息来保持样本数据集在特征空间中的可分性,并通过构建标记样本和无标记样本的Laplace矩阵来发现样本数据集在特征空间中局部流形结构信息,实现半监督的鉴别特征提取。在KSC和Urban数据集上的实验结果说明:该算法具有更高的分类精度,可以有效地提取出流形鉴别特征;③研究提出了面向高光谱遥感图像分类的半监督丛流形学习算法。基于丛流形学习的理论思想,以及高光谱遥感数据的多类别特点,本文提出一种
5、半监督丛流形学习(SSBML)方法。该算法是利用标记样本和无标记样本构建两个近邻关系图来保持数据集中丛流形的“整体”结构(各个子流形之间的相互关系)和每个子流形的内蕴结构特征,实现半监督的丛流形学习。在KSC和PaviaU高光谱数据集上的实验结果表明:该算法可以发现高光谱遥感数据集中丛流形结构的精细特征,有效地提升高光谱遥感图像的分类精度。综上所述,本文依据高光谱遥感数据的非线性特点,提出两种新的特征提取算法,并通过高光谱遥感数据集上的分类实验对本文方法的特征提取效果进行验证。关键字:高光谱遥感图像,
6、特征提取,流形学习,Laplace矩阵,近邻关系图I英文摘要ABSTRACTThehyperspectralremotesensingimageshavedetailedspacegeometryinformationandabundantspectralinformation,thecharacteristicsoflargeamountofdata,highdimensionsandstrongredundancy.Toclassifyhyperspectralremotesensingimage
7、directlyiseasytofallinto"dimensiondisaster".Therefore,Itbecomesakeyproblemthathowtoextractusefulinformationofdiscriminantcharacteristicsfeaturestoimprovetheclassificationaccuracyofhyperspectralsensingimages.Basedonthenonlinearpropertyofhyperspectralremo
8、tesensingdataandmainlyfromtheperspectiveofmanifoldlearning,thispapermakesanin-depthresearchinfeatureextractionandclassificationofhyperspectralremotesensingdata.Relatedresearchworkisasfollows:①Tosumupandintroducethetraditionalline
此文档下载收益归作者所有