结合聚类算法的高光谱图像半监督分类研究

《结合聚类算法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：密级：UDC：编号：工学硕士学位论文结合聚类算法的高光谱图像半监督分类研究硕士研究生：马赫男指导教师：王立国教授学科、专业：信息与通信工程论文主审人：赵春晖教授哈尔滨工程大学2018年3月分类号：密级：UDC：编号：工学硕士学位论文结合聚类算法的高光谱图像半监督分类研究硕士研究生：马赫男指导教师：王立国教授学位级别：工学硕士学科、专业：信息与通信工程所在单位：信息与通信工程学院论文提交日期：2018年03月论文答辩日期：2018年03月学位授予单位：哈尔滨工程大学ClassifiedIndex:U.D.C:ADissertation

2、fortheDegreeofM.EngResearchontheSemi-SupervisedSlassificationofHyperspectralImageswithClusteringAlgorithmCandidate:MaHenanSupervisor:Prof.WangLiguoAcademicDegreeAppliedfor:MasterofEngineeringSpecialty:InformationandCommunicationEngineeringDateofSubmission:March,2018DateofO

3、ralExamination:March,2018University:HarbinEngineeringUniversity哈尔滨工程大学学位论文原创性声明本人郑重声明：本论文的所有工作，是在导师的指导下，由作者本人独立完成的。有关观点、方法、数据和文献的引用已在文中指出，并与参考文献相对应。除文中已注明引用的内容外，本论文不包含任何其他个人或集体已经公开发表的作品成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。作者（签字）：日期：年月日哈尔滨工程大学学位论文授权使用声明本人

4、完全了解学校保护知识产权的有关规定，即研究生在校攻读学位期间论文工作的知识产权属于哈尔滨工程大学。哈尔滨工程大学有权保留并向国家有关部门或机构送交论文的复印件。本人允许哈尔滨工程大学将论文的部分或全部内容编入有关数据库进行检索，可采用影印、缩印或扫描等复制手段保存和汇编本学位论文，可以公布论文的全部内容。同时本人保证毕业后结合学位论文研究课题再撰写的论文一律注明作者第一署名单位为哈尔滨工程大学。涉密学位论文待解密后适用本声明。本论文（□在授予学位后即可□在授予学位12个月后□解密后）由哈尔滨工程大学送交有关部门进行保存、汇编等。作者（签字）

5、：导师（签字）：日期：年月日年月日摘要随着成像光谱技术的发展，高光谱遥感技术在众多领域得到了发展和应用。高光谱遥感技术将传统图像空间维和光谱维融合到一起，具有丰富的地物光谱信息，因而高光谱图像地物的分类和聚类成为了高光谱数据处理的两大主干方向。当今的高光谱图像的分类和聚类技术往往是孤立发展的，融合二者优势的技术或算法并不多见。此外，高光谱图像的半监督分类往往忽视了聚类特征中所隐含的高信息量样本。为此提出了结合聚类算法的高光谱图像半监督分类算法，本文所做工作描述如下：首先，阐述了高光谱图像在遥感技术领域的重要作用，分析高光谱图像的成像理论及其

6、数据特点，回顾并简述了高光谱图像分类与聚类技术的发展历史与现状，说明了课题研究的背景与意义。其次，介绍了高光谱图像聚类分析的运算流程与评价标准，以及典型的聚类算法，然后基于高光谱图像的实际应用环境提出了几点改进思路，为聚类的深度改进提供了理论基础。通过仿真实验探索出了最适合高光谱数据环境的聚类算法，并根据改进思路对传统聚类算法进行改进，验证了预聚类算法对于高光谱数据聚类质量具有改善作用。再次，介绍了高光谱图像分类分析的算法流程与评价标准，对几种典型的监督、半监督算法进行了简介。着重介绍了基于空间信息的高光谱图像分类算法与孪生支持向量机算法，

7、为后文的算法改进提供了理论基础与原始算法。通过仿真实验，验证了大量无标签样本对于高光谱图像的分类有助力作用，并且验证了空间信息与光谱信息的级联能够明显提高高光谱图像的分类精度。然后，提出了基于聚类信息指导的高光谱图像空-谱半监督分类算法。首先通过Gabor滤波器提取空间信息，使用主动学习的思想筛选信息量高的候选样本，接着使用深度改进的K_Medoids算法对候选样本进行筛选，然后重新投放到有标签样本的数据集中，从而通过聚类信息的指导提高了概率模型SVM的分类精度。最后，提出了融合聚类特征的高光谱图像半监督协同分类算法。首先将高光谱数据经过深

8、度改进的K_Means算法进行聚类特征提取，然后与最小二乘孪生支持向量机组合形成协同训练模型，该模型由聚类损耗函数、分类一致函数、分类差异性、样本差异性四个指数所构成的目标函数所