收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于稀疏表达的高光谱图像分类算法研究

李雅婷  
【摘要】:遥感技术和成像设备的不断进步,使得高光谱图像得以广泛应用,分类是高光谱图像处理及应用的一个主要分支,目标是为图像中每个像素元赋以唯一的类别标识。本文将聚焦于基于稀疏表达的高光谱图像分类,提出有效的分类算法。为克服传统方法通过堆叠训练样本构造字典所带来的种种问题,本文以训练一个鲁棒性高的字典为目标,提出了基于局部自适应相似性的字典学习算法ALSS(Adaptive Local Structure Similarity),该算法不仅考虑了像元间的空间关系,还改进了传统方法中使用预先定义的、固定的拉普拉斯算子刻画像元间局部空间关系的方式,而是在字典的学习过程中自适应地修正像元间局部空间关系,这种自适应学习局部相似性的字典学习算法具有以下两点优势:考虑了像元稀疏系数本身所具有的相似性关系;在字典学习过程中优化该局部空间关系能使字典更具判别能力、更能准确地进行稀疏表达。除此之外,ALSS还将高光谱图像划分成空间上相邻但独立不重叠的空间块,由于各空间块通常由相同物质构成,所以块内像元可以通过来自字典的少量共有元素线性表示,这样的字典学习算法不仅结合了高光谱图像像元间的空间关联信息,还为并行处理提供了条件。通过对ALSS算法的分类结果分析,可以发现其分类边界微显锯齿状,因此采用规则块来分割高光谱图像数据是不符合实际情况的。而超像素可以将位置相邻并且颜色、亮度、纹理特征相似的像素点包含在一个块区中,这些超像素均匀且互不重叠,这不仅符合高光谱图像数据的实际情况,而且融合了多种丰富信息,最重要的是它能与ALSS算法完美结合,进一步提升ALSS算法的分类精度,使分类结果更加平滑。由此,本文提出了基于超像素的高光谱图像分类算法ALSS-SUP和ALSS-ERS,两种算法结合超像素的思路不同:第一种ALSS-SUP,是将ALSS算法模型中的空间块直接改变为超像素进行处理;第二种ALSS-ERS,则将超像素分割作为后处理步骤,在得到ALSS算法的分类结果后,对分类结果图谱进行超像素分割,然后采用多数投票方法更新每一个超像素的分类标签,并得到最终分类结果。在两种方式中,不论是运行时间还是分类精度ALSS-SUP都要高于ALSS-ERS,但两种方法均能提升ALSS的分类性能。采用本文所提算法在三个常用的高光谱图像数据集上分类,实验结果验证了它们的有效性。


知网文化
【相似文献】
中国期刊全文数据库 前13条
1 王斌;;基于高光谱图像技术的水果表面农药残留检测观察[J];种子科技;2017年04期
2 陈绫钢;吕靖芳;;高光谱图像技术在农产品监测中的应用进展[J];北京农业;2016年01期
3 朱贞映;袁建;何荣;;粮油中高光谱图像技术的应用现状[J];粮食与饲料工业;2016年09期
4 徐爽;何建国;马瑜;梁慧琳;刘贵珊;贺晓光;;高光谱图像技术在水果品质检测中的研究进展[J];食品研究与开发;2013年10期
5 孔祥阳;孙涛;李欣星;王梦莹;;去除高光谱图像脉冲噪声的模型及算法[J];德州学院学报;2018年06期
6 叶珍;白璘;;局部保护降维与高斯混合模型的高光谱图像分类[J];工业仪表与自动化装置;2017年04期
7 吴龙国;何建国;贺晓光;刘贵珊;王伟;王松磊;苏伟东;罗阳;思振华;;高光谱图像技术在水果无损检测中的研究进展[J];激光与红外;2013年09期
8 唐中奇;付光远;陈进;张利;;基于低秩结构提取的高光谱图像压缩表示[J];电子与信息学报;2016年05期
9 张良培;李家艺;;高光谱图像稀疏信息处理综述与展望[J];遥感学报;2016年05期
10 李昌利;张琳;樊棠怀;;基于自适应主动学习与联合双边滤波的高光谱图像分类[J];计算机科学;2018年12期
11 王杰超;孙大鹏;张长兴;谢锋;王建宇;;拉普拉斯约束低秩表示的高光谱图像异常检测[J];光谱学与光谱分析;2018年11期
12 彭艳斌;艾解清;;基于谱聚类波段选择的高光谱图像分类[J];光电工程;2012年02期
13 张志彦;谷川;;基于关联规则的含噪高光谱图像分类系统[J];激光杂志;2018年12期
中国重要会议论文全文数据库 前10条
1 卢云龙;刘志刚;;高光谱图像目标探测现状研究[A];国家安全地球物理丛书(八)——遥感地球物理与国家安全[C];2012年
2 高东生;高连知;;基于独立分量分析的高光谱图像目标盲探测方法研究[A];国家安全地球物理丛书(八)——遥感地球物理与国家安全[C];2012年
3 杨勇;刘木华;邹小莲;苗蓬勃;赵珍珍;;基于高光谱图像技术的猕猴桃硬度品质检测[A];走中国特色农业机械化道路——中国农业机械学会2008年学术年会论文集(下册)[C];2008年
4 马德敏;孙凡;金星;舒嵘;王建宇;;机载高光谱图像质量定量化评价方法的研究[A];成像光谱技术与应用研讨会论文集[C];2004年
5 张兵;王向伟;郑兰芬;童庆禧;;高光谱图像地物分类与识别研究[A];成像光谱技术与应用研讨会论文集[C];2004年
6 唐宏;杨新;方涛;施鹏飞;;基于核方法的光谱角制图模型及其在高光谱图像分割中的应用[A];中国地理信息系统协会第八届年会论文集[C];2004年
7 杨硕;袁鸿翼;虞宇宏;赵敏;;高光谱图像亚像素目标仿真及检测研究[A];第四届高分辨率对地观测学术年会论文集[C];2017年
8 武倩聿;张馨月;张旭东;;基于约束能量最小化的高光谱图像目标检测算法研究[A];第十二届全国信号和智能信息处理与应用学术会议论文集[C];2018年
9 高连如;张兵;孙旭;李山山;张文娟;;高光谱数据降维与分类技术研究[A];第八届成像光谱技术与应用研讨会暨交叉学科论坛文集[C];2010年
10 张悦;官云兰;;基于聚类的高光谱图像非监督波段选择方法[A];《江西遥感》2017年第2期(总第3期)[C];2017年
中国博士学位论文全文数据库 前10条
1 李畅;高光谱遥感影像处理中的若干关键技术研究[D];华中科技大学;2018年
2 张星;组合空间和光谱特性的高光谱图像异常检测与目标识别方法研究[D];国防科学技术大学;2016年
3 刘务;基于空谱特征挖掘的高光谱图像分类方法研究[D];哈尔滨工程大学;2018年
4 任越美;高光谱图像特征提取与分类方法研究[D];西北工业大学;2017年
5 李威;基于机器学习的森林多源遥感数据分析方法研究[D];哈尔滨工程大学;2018年
6 王庆岩;面向植被遥感监测的高光谱图像分类技术研究[D];哈尔滨工业大学;2018年
7 吴钊君;基于权重核范数的高光谱图像去噪与解混方法研究[D];哈尔滨工业大学;2018年
8 李娇娇;高光谱遥感图像高效分类与解混方法研究[D];西安电子科技大学;2016年
9 胡静;基于深度学习的高光谱图像超分辨处理方法研究[D];西安电子科技大学;2018年
10 冯志玺;空谱稀疏结构学习下的高光谱数据降维与分类技术研究[D];西安电子科技大学;2018年
中国硕士学位论文全文数据库 前10条
1 张会敏;基于核方法与字典学习的高光谱图像分类算法研究[D];南京师范大学;2018年
2 房盟盟;特定温度下滩羊肉贮藏期的高光谱—动力学预测方程构建[D];宁夏大学;2018年
3 徐凯;基于主动学习的高光谱图像分类研究[D];哈尔滨工程大学;2018年
4 吴飞;基于等距特征映射的高光谱图像可视化研究[D];哈尔滨工程大学;2018年
5 马赫男;结合聚类算法的高光谱图像半监督分类研究[D];哈尔滨工程大学;2018年
6 王雪婷;高光谱图像的降维及分类算法研究[D];哈尔滨工程大学;2018年
7 邓伟伟;基于逐行处理的高光谱异常检测快速算法研究[D];哈尔滨工程大学;2018年
8 周沛林;基于深度学习的高光谱图像分类问题研究[D];浙江大学;2018年
9 黄志彬;面向高光谱图像异常检测的GPU加速器设计[D];哈尔滨工业大学;2018年
10 林伟俊;高光谱图像实时目标和异常检测算法研究[D];杭州电子科技大学;2018年
中国重要报纸全文数据库 前1条
1 本报记者 付毅飞;“珠海一号”,为何能拍出太空大片[N];科技日报;2017年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978