版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、從20世紀(jì)后半葉開始,來源于多光譜傳感器的遙感圖像就已經(jīng)在農(nóng)林業(yè)、生態(tài)學(xué)、大氣科學(xué)等多種地球觀察應(yīng)用中表現(xiàn)出了巨大的應(yīng)用價(jià)值。然而對(duì)于區(qū)分愈發(fā)復(fù)雜的地面覆蓋來說多光譜傳感器的波段數(shù)目已經(jīng)不夠,尤其當(dāng)需要區(qū)分同一地物的多種類別時(shí),傳統(tǒng)方式所采集的信息明顯不足。超光譜傳感器的問世可以解決這個(gè)問題。超光譜傳感器同時(shí)測(cè)量幾百個(gè)狹長(zhǎng)而連續(xù)的譜帶,覆蓋了從可見光到中遠(yuǎn)紅外的區(qū)域,增加的波段使得排除各種類別之間的重疊信息成為可能,并且提高了鑒別微小差
2、別種類的能力。在實(shí)際應(yīng)用中,高維特征空間中的采樣點(diǎn)集合會(huì)造成所謂的維數(shù)災(zāi)難現(xiàn)象,即隨著采樣點(diǎn)的增多,高維特征空間將成指數(shù)倍地增加運(yùn)算復(fù)雜度。此外,高維數(shù)據(jù)也加重了運(yùn)算負(fù)荷、通信帶寬以及存儲(chǔ)空間需要量。
本文以超光譜圖像為背景,對(duì)模式分類系統(tǒng)所涉及的分類器設(shè)計(jì)、特征選擇及系統(tǒng)評(píng)價(jià)問題進(jìn)行了研究。其中,針對(duì)分類器設(shè)計(jì)這一核心問題,分別從相關(guān)分析和概率統(tǒng)計(jì)方面入手,研究了適用于超光譜數(shù)據(jù)分類的核方法。本文的主要內(nèi)容包括:
3、針對(duì)超光譜圖像多分類器設(shè)計(jì)問題,提出了基于概率統(tǒng)計(jì)技術(shù)的一對(duì)一策略波段加權(quán)核方法。在支持向量機(jī)的算法框架下,分別采用來源于概率統(tǒng)計(jì)學(xué)中的幾種Bayes最小分類誤差上界對(duì)各子分類器所處理的兩個(gè)分類對(duì)象進(jìn)行可分性度量,并將其用作波段加權(quán)核函數(shù)的系數(shù)。這樣,每個(gè)子分類器可以利用一個(gè)基于可分性度量的加權(quán)向量來優(yōu)化分類,而對(duì)整個(gè)多分類器而言,即得到一個(gè)優(yōu)化加權(quán)矩陣。接著,分析了各子分類器在專屬優(yōu)化下的分類誤差,指出了剔除加權(quán)矩陣中小樣本可分性度量
4、對(duì)所提方法的必要性,并據(jù)此對(duì)算法做出進(jìn)一步優(yōu)化。實(shí)驗(yàn)表明,所提方法能夠提高分類精度,對(duì)傳輸帶寬受限的較少波段圖像,提高則更為明顯。
提出了基于相關(guān)分析技術(shù)的超光譜分類核方法。利用相關(guān)分析技術(shù)提取超光譜數(shù)據(jù)立方體中未被分類器所利用的譜間信息,將其作為加權(quán)向量應(yīng)用在核函數(shù)內(nèi)部,使各子分類器得到一致優(yōu)化,使得有用分類信息較多的波段在分類中發(fā)揮更重要的決策作用,進(jìn)而提高分類精度。由于優(yōu)化后的子分類器參數(shù)一致,因此可靈活地選擇多分類策略
5、。接著,采取兩種方式生成加權(quán)向量:其一是利用各波段與相鄰波段之間的互信息,具有無需任何先驗(yàn)信息的優(yōu)點(diǎn),但是需要完整的譜帶才有效;其二是利用各波段與真實(shí)地物參考圖的相關(guān)信息,具有不受波段數(shù)目影響的優(yōu)點(diǎn),但是需要參考圖。繼而設(shè)計(jì)了基于非線性相關(guān)系數(shù)的估計(jì)參考圖自動(dòng)生成算法,很好地替代了需要人工標(biāo)定的真實(shí)地物參考圖。對(duì)于方式二,又分別選取了歸一化互信息和非線性相關(guān)系數(shù)這兩種相關(guān)分析技術(shù),實(shí)驗(yàn)表明基于后者的核方法在分類性能上更具優(yōu)勢(shì)。
6、 提出了基于多維互信息簡(jiǎn)化算法的超光譜圖像波段選擇方法。選擇準(zhǔn)則采用多維互信息,具有無需對(duì)象服從任何分布的優(yōu)勢(shì),同時(shí)由于互信息在計(jì)算過程中不涉及圖像中各類別間的區(qū)分運(yùn)算,因此無需在波段選擇環(huán)節(jié)就確定后續(xù)分類任務(wù)的具體類別。然而多維互信息在實(shí)際應(yīng)用中難以計(jì)算,將其分解后可得到若干個(gè)一維互信息以及若干個(gè)仍難以求解的一維條件互信息,但后者隨著間隔波段的增大會(huì)逐漸減小,因此對(duì)其采取了直接刪除及同質(zhì)化概念替代這兩種簡(jiǎn)化計(jì)算方法。只要不采用浮動(dòng)搜索
7、策略,這種不嚴(yán)格的刪除或替代便不會(huì)導(dǎo)致選擇過程被錯(cuò)誤地終止。實(shí)驗(yàn)表明該方法優(yōu)于公認(rèn)有較好表現(xiàn)的平均Jeffreys-Matusita距離順序前向選擇方法,不僅所選擇的波段用于分類后精度更高,而且在耗時(shí)方面優(yōu)勢(shì)明顯。
提出基于Tsallis熵冗余度的超光譜圖像性能評(píng)價(jià)方法。在解決冗余式波段選擇策略下分類器數(shù)據(jù)源的選取問題時(shí),不可避免要度量蘊(yùn)含在多變量之間的相關(guān)性信息,因而提出了基于Tsallis熵冗余度的多變量相關(guān)分析算法。在評(píng)
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(qǐng)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(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 高光譜圖像的分類技術(shù)研究.pdf
- 超光譜遙感圖像壓縮技術(shù)研究.pdf
- 基于高光譜圖像的目標(biāo)分類技術(shù)研究.pdf
- 超光譜圖像壓縮與DSP實(shí)現(xiàn)技術(shù)研究.pdf
- 超光譜遙感圖像處理關(guān)鍵技術(shù)研究.pdf
- 基于統(tǒng)計(jì)的高光譜圖像分類技術(shù)研究.pdf
- 基于統(tǒng)計(jì)的高光譜圖像分類技術(shù)研究(1)
- 基于支持向量機(jī)的高光譜圖像分類技術(shù)研究.pdf
- 基于random walk優(yōu)化的高光譜圖像分類技術(shù)研究.pdf
- 基于超像素的高光譜圖像分類算法研究.pdf
- 遙感超光譜圖像壓縮技術(shù)研究及DSP實(shí)現(xiàn).pdf
- 基于支持向量機(jī)的超譜圖像分類技術(shù)研究.pdf
- 超光譜遙感圖像降維及分類方法研究.pdf
- 基于分類、解譯、超分辨的高光譜關(guān)鍵信息檢測(cè)技術(shù)研究.pdf
- 基于條件隨機(jī)場(chǎng)模型的超光譜圖像分類.pdf
- 票據(jù)圖像分類的技術(shù)研究.pdf
- 18538.高光譜遙感圖像目標(biāo)探測(cè)與分類技術(shù)研究
- 多光譜圖像獲取技術(shù)研究.pdf
- 單幅圖像超分辨技術(shù)研究.pdf
- 基于提升小波的超光譜圖像壓縮技術(shù)研究及DSP實(shí)現(xiàn).pdf
評(píng)論
0/150
提交評(píng)論