基于低秩表示的空譜聯(lián)合高光譜圖像分類模型與方法.pdf_第1頁
已閱讀1頁,還剩68頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、高光譜遙感是近30年以來獲得迅速發(fā)展的重要地球觀測技術之一,其具有納米級的光譜分辨率,可以提供豐富的圖像和光譜信息。其中,高光譜分類是高光譜遙感應用中的一個重要環(huán)節(jié),目前的分類方法主要是通過更多挖掘光譜信息中包含的空間、輻射和光譜信息來提高分類效果。但是由于高光譜遙感探測易受天氣影響,高光譜圖像具有數(shù)據(jù)維度高、數(shù)據(jù)規(guī)模較大、光譜分辨率較高但空間分辨率較低等特點,使得高光譜分類模型和算法的精度和穩(wěn)定性很難得到保證。
  本論文以近年

2、來發(fā)展應用較為活躍的低秩表示(Low Rank Representation,LRR)作為基本框架,充分提取高光譜圖像的光譜特征和空間相關性,運用核技巧和多核學習框架設計空譜聯(lián)合的分類模型,基于交替方向迭代算法(Alternating Direction Method ofMultipliers,ADMM)設計快速求解算法,并在Matlab GUI上開發(fā)實現(xiàn)高光譜遙感圖像分類處理軟件。通過實際高光譜圖像的實驗驗證了本文模型、方法和軟件系

3、統(tǒng)的有效性。主要內容包括:
  1、提出了基于核低秩表示的高光譜分類模型和算法。該方法通過低秩表示框架對整幅高光譜圖像做全局相關性約束,同時通過核函數(shù)將傳統(tǒng)線性分類器映射為非線性分類器,利用核函數(shù)能隱性獲得數(shù)據(jù)高階結構的特點,將高光譜圖像映射到線性可分的高維空間,有效提高了分類精度,并利用核技巧避免高維運算提高算法運行效率。另外,在分析比較經典徑向基核函數(shù)(Radial Basis Function,RBF),聯(lián)合空譜相關性的組合

4、核(Composite Kernel,CK),均值濾波核(Mean Filtering,MF)和鄰域濾波核(NeighboringFiltering,NF)的基礎上,給出了基于鄰域濾波核的核低秩表示高光譜分類方法。實驗結果表明:基于鄰域濾波核低秩表示的高光譜分類模型精度高,尤其適用于小訓練樣本情況。
  2、提出了基于空譜聯(lián)合多核學習的低秩表示高光譜分類方法。論文針對核低秩表示分類方法中特征尺度單一、而且參數(shù)確定困難的問題,基于多

5、核學習框架,不僅在光譜維中利用多尺度核魯棒地提取光譜特征,而且在空間維中利用多核學習框架充分提取圖像的局部鄰域信息,同時保持了低秩表示分類模型對高光譜圖像全局特征的刻畫。針對高光譜分類的特點,論文采用表示多核學習算法(Representive MKL,RMKL)作為多核學習框架,通過核矩陣的特征決定要保留的核函數(shù)及其權重,從而避免了傳統(tǒng)多核學習方法中的算法時間復雜度高的問題。通過真實的高光譜數(shù)據(jù)實驗表明,本章方法能夠實現(xiàn)魯棒、快速、高精

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論