高光譜圖像的數(shù)據(jù)壓縮與分類算法研究.pdf

1、高光譜圖像是一種特征維度大、像素點(diǎn)眾多的圖像數(shù)據(jù)集，目前對(duì)其主要研究工作包括了特征選擇、特征提取、模式分類等等。由于高光譜圖像的數(shù)據(jù)量較為龐大且存在冗余信息，因此對(duì)數(shù)據(jù)的特征學(xué)習(xí)與挖掘有效數(shù)據(jù)點(diǎn)是圖像處理的關(guān)鍵。目前主要的特征學(xué)習(xí)算法包括PCA、LDA等傳統(tǒng)特征學(xué)習(xí)算法，以及新興且越來越流行的基于深度學(xué)習(xí)的算法；而對(duì)于關(guān)注度較低的圖像數(shù)據(jù)壓縮領(lǐng)域，主要的壓縮方法包括基于kNN的篩選算法以及利用Nystr?m的數(shù)據(jù)約減算法。本文以深度學(xué)習(xí)

2、為基礎(chǔ)，結(jié)合了基于kNN的篩選算法、神經(jīng)網(wǎng)絡(luò)分類器算法對(duì)高光譜圖像進(jìn)行數(shù)據(jù)壓縮，找到有代表性的少數(shù)數(shù)據(jù)點(diǎn)，對(duì)其進(jìn)行標(biāo)記并訓(xùn)練，相比于實(shí)際操作中的隨機(jī)選點(diǎn)進(jìn)行標(biāo)記和訓(xùn)練，可提供更有效地指導(dǎo)模型的訓(xùn)練，提高后續(xù)分類操作的準(zhǔn)確性；而最后一部分內(nèi)容則是將廣泛應(yīng)用于自然圖像識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)算法進(jìn)行模型的歸納與推廣，應(yīng)用于高維度的高光譜圖像分類中。主要工作概括如下：
　　1.本文提出了一種基于多層網(wǎng)絡(luò)架構(gòu)的數(shù)據(jù)壓縮與分類算法，并將其應(yīng)用于高

3、光譜圖像的數(shù)據(jù)約減與分類，壓縮數(shù)據(jù)的過程中算法可根據(jù)用戶的需求決定每一次壓縮的數(shù)據(jù)量，直到已篩選出的數(shù)據(jù)點(diǎn)滿足能夠良好表示原始圖像中每個(gè)像素點(diǎn)的值為止。隨后我們用篩選出的數(shù)據(jù)點(diǎn)構(gòu)成訓(xùn)練樣本集，利用SVM分類器對(duì)其余數(shù)據(jù)點(diǎn)構(gòu)成的測(cè)試集進(jìn)行有監(jiān)督分類。
　　2.本文提出了一種基于深度網(wǎng)絡(luò)特征的數(shù)據(jù)壓縮表示與分類算法，該方法涉及了流行的深度網(wǎng)絡(luò)有關(guān)知識(shí)，以及神經(jīng)網(wǎng)絡(luò)的相關(guān)理論，能夠?qū)υ紙D像的特征得到更有效的表示，并將這個(gè)在新的特征空間

4、下的圖像數(shù)據(jù)利用神經(jīng)網(wǎng)絡(luò)分類器跟現(xiàn)有訓(xùn)練樣本集進(jìn)行擬合比對(duì)，把相似性較低的未標(biāo)記樣本加入到訓(xùn)練數(shù)據(jù)中，直到滿足用戶對(duì)訓(xùn)練數(shù)據(jù)個(gè)數(shù)的要求為止。隨后利用篩選出的數(shù)據(jù)點(diǎn)以及前期已知的少量樣本構(gòu)成訓(xùn)練樣本集，利用SVM分類器對(duì)其余數(shù)據(jù)點(diǎn)構(gòu)成的測(cè)試集進(jìn)行分類。
　　3.本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的分類器算法，并將其應(yīng)用到高光譜圖像的分類中，該算法利用了多層卷積網(wǎng)絡(luò)對(duì)原始高光譜圖像的訓(xùn)練樣本集進(jìn)行特征學(xué)習(xí)，使用神經(jīng)網(wǎng)絡(luò)對(duì)這些特征和對(duì)應(yīng)的類