学位论文 > 优秀研究生学位论文题录展示

基于稀疏表示的高光谱遥感图像分类

作　者: 闫永帅
导　师: 李小文; 何彬彬
学　校: 电子科技大学
专　业: 控制工程
关键词: 高光谱图像分类 稀疏表示 贪婪追踪 过完备字典
分类号: TP751
类　型: 硕士论文
年　份: 2013年
下　载: 100次
引　用: 0次
阅　读: 论文下载
 

内容摘要


近年来，稀疏表示已成为图像处理和模式识别研究领域的一个热点。稀疏表示的重要理论已经应用到遥感图像研究，特别是高光谱遥感图像处理方面。高光谱遥感图像通过的丰富光谱信息具有更强的分辨能力。同时，高光谱数据由于光谱丰富带来了很多复杂的因素，如维数灾难，数据的不确定性和小样本问题等。而稀疏表示在处理高维数据中具有一定的优势。稀疏表示不需对数据的分布特征进行统计假设，并且在稀疏模型中可以根据不同情况添加不同的约束条件，使其具有更大的灵活性。本文主要将稀疏表示理论应用到高光谱遥感图像分类研究中。采用航拍OMIS-I和星载Hyperion两类高光谱遥感图像进行稀疏表示方法的分类实验，并与支持向量机（Support Vector Machine, SVM）分类方法进行对比，验证稀疏表示应用于高光谱遥感图像分类的有效性。论文的主要研究内容如下：（1）首先研究分析了稀疏表示理论和方法，建立稀疏表示方法应用于高光谱遥感图像分类的稀疏表示模型。选取样本构建字典，未知像元通过字典进行稀疏表示，最后对稀疏结果进行各类别冗余计算，确定未知像元所属类别。通过与SVM方法对比，证明了在高光谱遥感图像分类中稀疏表示方法优于传统SVM方法。（2）对稀疏模型中稀疏重构算法进行了研究分析。稀疏重构主要采用贪婪追踪算法、平滑约束模型和联合稀疏模型，主要包括正交匹配追踪（OrthogonalMctching Pursuit, OMP）、子空间追踪（Subspace Pursuit, SP）、平滑正交匹配追踪（Smooth Orthogonal Mctching Pursuit, S-OMP）、平滑子空间追踪（Smooth SubspacePursuit, S-SP）、联合正交匹配追踪（Simultaneous Orthogonal Mctching Pursuit,SOMP）和联合子空间追踪（Simultaneous Subspace Pursuit, SSP）。实验结果证明了采用稀疏表示方法均比传统SVM方法精度高。在稀疏表示方法中采用OMP算法效果比SP算法好，但SP复杂度比OMP算法低，运行效率高；考虑上下文关系的平滑约束（S-OMP、S-SP）和联合稀疏（SOMP、SSP）比基于单像元分类（OMP、SP）效果好；采用平滑约束算法和联合稀疏分类效果相差不大，但联合稀疏算法复杂度要比平滑约束要低很多。以OMSI-I数据分类总体精度为例：SVM算法为86.32%，OMP算法为92.51%，SP算法为89.56%，S-OMP算法为93.43%，S-SP算法90.82%，SOMP算法为93.17%，SSP算法为90.84%。（3）研究分析了稀疏模型中稀疏字典构建方法，主要采用采样样本集和K-SVD算法构建稀疏过完备字典。实验结果证明了采用K-SVD算法构建稀疏过完备字典的稀疏表示方法比直接采样样本集效果好。以采用K-SVD算法的OMSI-I数据分类的总体精度为例：OMP算法为93.03%，SP算法为91.95%，S-OMP算法为94.67%，S-SP算法为92.09%，SOMP算法为96.45%，SSP算法为92.31%。

全文目录


摘要  5-7
ABSTRACT  7-9
目录  9-12
第一章 绪论  12-20
  1.1 研究目的及意义  12-14
  1.2 国内外研究现状及分析  14-18
    1.2.1 高光谱遥感发展历程  14
    1.2.2 高光谱影像分类研究现状  14-15
    1.2.3 稀疏表示研究现状  15-18
  1.3 主要内容和技术路线  18-20
    1.3.1 主要内容  18
    1.3.2 技术路线  18-20
第二章 稀疏表示方法理论  20-33
  2.1 稀疏表示模型  20-22
    2.1.1 稀疏表示问题优化模型  20-21
    2.1.2 稀疏表示分类模型  21-22
  2.2 分类器的设计  22-23
  2.3 稀疏重构算法  23-27
    2.3.1 正交匹配追踪算法  24-26
      2.3.1.1 匹配追踪  24-25
      2.3.1.2 正交匹配追踪  25-26
    2.3.2 子空间追踪算法  26-27
  2.4 上下文关系的稀疏重构算法  27-33
    2.4.1 平滑约束稀疏模型  28-29
    2.4.2 联合稀疏表示重构算法  29-33
      2.4.2.1 联合正交匹配追踪  30-31
      2.4.2.2 联合子空间追踪  31-33
第三章 基于稀疏重构算法的高光谱遥感图像分类  33-66
  3.1 OMIS-I 航空高光谱遥感图像分类  33-51
    3.1.1 OMIS-I 数据介绍  33-35
    3.1.2 OMIS-I 数据 OMP 分类  35-37
    3.1.3 OMIS-I 数据 SP 分类  37-39
    3.1.4 OMIS-I 数据平滑约束分类  39-43
      3.1.4.1 OMIS-I 数据 S-OMP 分类  39-41
      3.1.4.2 OMIS-I 数据 S-SP 分类  41-43
    3.1.5 OMIS-I 数据联合稀疏分类  43-47
      3.1.5.1 OMIS-I 数据 SOMP 分类  43-45
      3.1.5.2 OMIS-I 数据 SSP 分类  45-47
    3.1.6 OMIS-I 数据 SVM 分类  47-49
    3.1.7 稀疏重构算法实验结果分析  49-51
  3.2 HYPERION 高光谱遥感图像分类  51-66
    3.2.1 HPERION 传感器的介绍  51-52
    3.2.2 HYPERION 数据介绍及预处理  52-54
    3.2.3 HYPERION 数据 OMP 分类  54-55
    3.2.4 HYPERION 数据 SP 分类  55-57
    3.2.5 HYPERION 数据平滑约束分类  57-60
      3.2.5.1 Hyperion 数据 S-OMP 分类  57-58
      3.2.5.2 Hyperion 数据 S-SP 分类  58-60
    3.2.6 HYPERION 数据联合稀疏分类  60-62
      3.2.6.1 Hyprion 数据 SOMP 分类  60-61
      3.2.6.2 Hyprion 数据 SSP 分类  61-62
    3.2.7 HYPRION 数据 SVM 分类  62-63
    3.2.8 稀疏重构算法实验结果分析  63-66
第四章 基于稀疏字典的高光谱遥感图像分类  66-87
  4.1 稀疏字典  66-70
    4.1.1 K-SVD 算法  67-70
      4.1.1.1 奇异值分解  67
      4.1.1.2 奇异值分解的定义  67-68
      4.1.1.3 奇异值分解的性质  68-69
      4.1.1.4 字典训练算法  69-70
  4.2 OMIS-I 航空高光谱遥感图像分类  70-78
    4.2.1 OMIS-I 数据 K-SVD 和 OMP 分类  71-72
    4.2.2 OMIS-I 数据 K-SVD 和 SP 分类  72-73
    4.2.3 OMIS-I 数据 K-SVD 和平滑约束分类  73-75
      4.2.3.1 OMIS-I 数据 K-SVD+S-OMP 分类  73-74
      4.2.3.2 OMIS-I 数据 K-SVD+S-SP 分类  74-75
    4.2.4 OMIS-I 数据 K-SVD 和联合稀疏分类  75-77
      4.2.4.1 OMIS-I 数据 K-SVD+SOMP 分类  75-76
      4.2.4.2 OMIS-I 数据 K-SVD+SSP 分类  76-77
    4.2.5 OMIS-I 数据 K-SVD 算法实验结果分析  77-78
  4.3 HYPERION 高光谱遥感图像分类  78-87
    4.3.1 HYPEION 数据 K-SVD 和 OMP 分类  79-80
    4.3.2 HYPEION 数据 K-SVD 和 SP 分类  80-81
    4.3.3 HYPEION 数据 K-SVD 和平滑约束分类  81-83
      4.3.3.1 Hypeion 数据 K-SVD+S-OMP 分类  81-82
      4.3.3.2 Hypeion 数据 K-SVD+S-SP 分类  82-83
    4.3.4 HYPEION 数据 K-SVD 和联合稀疏分类  83-85
      4.3.4.1 Hypeion 数据 K-SVD+SOMP 分类  83-84
      4.3.4.2 Hypeion 数据 K-SVD+SSP 分类  84-85
    4.3.5 HYPERION 稀疏字典算法实验结果分析  85-86
    4.3.6 稀疏表示方法实验总结  86-87
第五章 结论和展望  87-89
  5.1 结论  87-88
  5.2 展望  88-89
致谢  89-90
参考文献  90-95
硕士期间取得的研究成果  95-96

相似论文

  1. 语音信号的压缩感知研究及其在语音编码中的应用,TN912.3
  2. 基于稀疏表示的人脸识别算法研究,TP391.41
  3. 基于稀疏表示残差融合的人脸表情识别,TP391.41
  4. 基于小波变换的信号稀疏表示及其在图像去噪中的应用,TP391.41
  5. 基于稀疏表示的立体匹配算法和红外目标的检测与跟踪,TP391.41
  6. 基于压缩感知的语音稀疏基和投影矩阵构造技术的研究,TN919.8
  7. 基于压缩感知的信号恢复算法研究,TN911.7
  8. 基于稀疏表示的高空间分辨率遥感影像纹理描述方法的研究,TP751
  9. 基于自适应字典稀疏表示超分辨率重建的视频编码技术,TN919.81
  10. 基于稀疏分解的SAR图像抑制斑点噪声算法的研究,TN957.52
  11. 基于正交匹配跟踪以及K-SVD的图像融合技术,TP391.41
  12. 基于支持向量机的高光谱遥感图像分类,TP751
  13. 基于稀疏表示的脱机手写体汉字识别研究,TP391.1
  14. 基于稀疏表示的杂波量化尺度研究,TN29
  15. 基于图像稀疏表示的隐写算法研究,TP309
  16. 超复数稀疏表示及其应用的研究,TP391.41
  17. 在线字典训练及加权差异性稀疏表示的研究,TP391.41
  18. 基于稀疏表示的人脸图像识别方法研究,TP391.41
  19. 基于内容的商品图像分类技术研究,TP391.41
  20. 基于稀疏表示的人体运动捕获数据分析方法研究,TP391.41
  21. 可变光照和遮挡条件下的人脸识别技术研究及其应用,TP391.41

中图分类: > 工业技术 > 自动化技术、计算机技术 > 遥感技术 > 遥感图像的解译、识别与处理 > 图像处理方法
© 2012 www.xueweilunwen.com