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
- 语音信号的压缩感知研究及其在语音编码中的应用,TN912.3
- 基于稀疏表示的人脸识别算法研究,TP391.41
- 基于稀疏表示残差融合的人脸表情识别,TP391.41
- 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
- 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
- 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
- 基于压缩感知的信号恢复算法研究,TN911.7
- 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
- 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
- 基于稀疏分解的SAR图像抑制斑点噪声算法的研究,TN957.52
- 基于正交匹配跟踪以及K-SVD的图像融合技术,TP391.41
- 基于支持向量机的高光谱遥感图像分类,TP751
- 基于稀疏表示的脱机手写体汉字识别研究,TP391.1
- 基于稀疏表示的杂波量化尺度研究,TN29
- 基于图像稀疏表示的隐写算法研究,TP309
- 超复数稀疏表示及其应用的研究,TP391.41
- 在线字典训练及加权差异性稀疏表示的研究,TP391.41
- 基于稀疏表示的人脸图像识别方法研究,TP391.41
- 基于内容的商品图像分类技术研究,TP391.41
- 基于稀疏表示的人体运动捕获数据分析方法研究,TP391.41
- 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
|