基于空—谱关系的高光谱图像半监督分类研究

《基于空—谱关系的高光谱图像半监督分类研究》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、分类号：学校代码：10165密级：学号：201511000845硕士学位论文基于空-谱关系的高光谱图像半监督分类研究作者姓名：盖虹羽学科、专业：地图学与地理信息系统研究方向：空间数据挖掘导师姓名：谢福鼎教授2018年5月辽宁师范大学硕士学位论文摘要高光谱遥感的主要特点是图谱合一。高光谱图像融合了地物的图像维和光谱维数据，提供了丰富的地物信息，进而可根据光谱成像仪得到每类地物的连续光谱信息进行地物识别和分类。由于高光谱遥感数据的光谱维数较高,相邻波段间的相关性强,空间信息丰富，数据量大，所以使用传

2、统的分类方法容易造成维数灾难,且分类精度不理想。如何针对高光谱数据的特点，找到稳定的，高精度的，能有效获取其地物特征的分类方法，是高光谱遥感分类研究的主要的问题。将高光谱影像的空间信息融入到特征提取中,采用空-谱联合的方式,选取合适的地物特征对数据进行维约简，是处理高光谱数据分类的一种有效方式。在获取的高光谱数据中，大量样本没有标签或标记样本数较少，难以满足监督分类方法的要求，因此使用半监督的分类方式能够最大程度地利用少量的地物标签信息，对整体数据进行维数约简和分类。近年来机器学习和人工智能领域

3、中的新成果给高光谱数据分类提供了新的数据处理工具，人工神经网络因其对数据分布无任何要求，适用于处理高光谱图像中非正态分布、非线性的数据，很好地解决了数据标记样本数不足的问题，越来越多的神经网络相关方法被不断完善，应用到高光谱遥感影像分类领域。本文在考虑高光谱图像的光谱特征和空间特征的基础上，提出了两种高光谱分类的方法。由于高光谱数据标记样本少，且在高维空间中存在“流形结构”，本文通过地理空间近邻关系改进了半监督边际Fisher分析方法,并结合局部平均伪近邻方法,提出了一种高光谱遥感影像分类策略。

4、此方法保持了原高维空间中数据的类内结构和类间结构,将高光谱数据从高维空间映射到低维空间。然后充分考虑样本点周围多个近邻点的类别信息,利用局部平均伪近邻算法对低维空间中的数据进行分类识别。实验证明，此方法能够获取高光谱数据的空-谱特征，有效解决地物点的多分类问题,并且取得较高的分类结果。本文采用卷积神经网络提取数据特征并分类，在标签预测过程，使用空间邻域约束的线性意见池方法计算后验概率。为进一步提高分类精度，采用邻域滤波优化的方式，对分类后的数据进行后处理，使块内部均质化。通过实验表明，此方法有效

5、，能够获得较高分类精度。为了说明本文所提出的算法的有效性，两种方法均在IndianPines数据集和PaviaUniversity数据集上进行了实验。结果表明本文提出的方法能够有效提取地物特征，提高分类精度。-I-基于空-谱关系的高光谱图像半监督分类研究关键词：高光谱影像;半监督学习;伪近邻;卷积神经网络；分类-II-辽宁师范大学硕士学位论文ResearchonSemi-supervisedHyperspectralImageClassificationBasedonSpatial-Spectr

6、alRelationshipsAbstractOneofthemostimportantcharacteristicsofhyperspectralremotesensingisthefusionofthespatialfeatureandspectralfeature.Theacquiredgroundspaceimagesintegratetheimageofthegroundobjectsandthespectralinformation,andobtainthecontinuousspe

7、ctralinformationofeachgroundobject.Sotheobjectscanbeidentifiedandclassifiedaccordingtotheobtainedinformation.Duetothehighspectraldimensionofhyperspectralremotesensingdata,strongcorrelationbetweenadjacentbands,richspatialinformationandlargedatavolume,

8、theapplicationoftraditionalclassificationmethodscaneasilycausedimensiondisastersandresultsinalowclassificationaccuracy.Itisahottopicinhyperspectralremotesensingclassificationhowtofindstable,high-precisionandeffectiveclassificationmethods.Consideringt