学位论文 > 优秀研究生学位论文题录展示
遥感影像的张量表达与流形学习方法研究
作 者: 张乐飞
导 师: 张良培
学 校: 武汉大学
专 业: 摄影测量与遥感
关键词: 高光谱 高分辨率 流形学习 张量学习 测度学习 多特征分析 稀疏学习 迁移学习 特征降维 影像分类 目标探测
分类号: TP751
类 型: 博士论文
年 份: 2013年
下 载: 63次
引 用: 0次
阅 读: 论文下载
内容摘要
快速、准确地从遥感影像中提取感兴趣的关键信息是遥感对地观测领域的重要研究内容。随着当代遥感传感器技术呈现出高光谱分辨率、高空间分辨率和高时间分辨率的新特点,传统的人工解译遥感影像的方式已经完全不适用,取而代之的是计算机全自动提取遥感影像信息的新方法。虽然现在计算机硬件的发展已经为快速、准确处理海量遥感影像提供了物理基础,但是相应的数据处理算法普遍存在自适应能力不足的缺点。因此,本论文基于机器学习与模式识别领域的新理论,以数据的张量表达和流形学习为研究主线,结合正则化理论、稀疏学习、迁移学习等新方法,开展遥感影像信息提取中的流形学习方法研究。主要研究内容如下:(1)系统地介绍了流形学习的基本原理与分类,回顾了流形学习方法的发展历史,并以片排列框架为基础,详细给出了经典数据降维算法PCA、LDA和流形学习的代表性算法LLE、ISOMAP、LE、LTSA、HLLE的核心思想及目标函数的局部相关性矩隈构建过程,并对各种算法进行了比较。片排列框架使得我们从新的角度深入理解了流形学习方法,并且为根据实际问题生成更有效的流形学习算法提供了基础;(2)对遥感影像的张量分析方法进行了深入的研究。首先具体介绍了张量的定义及相关的多维线性代数理论;接着提出了遥感影像时间-空间-光谱特征一体化张量描述的理论;随后,提出了一种在张量流形空间中对“双高”遥感影像特征提取的算法:张量判别局部排列,该方法将张量表达方法与流形学习理论结合,针对“双高”影像的数据特点进行特征提取,有效的提高了新特征的判别力和对遥感影像的分类精度。(3)提出了两种多特征融合的自适应流形学习框架。两种方法分别基于拉普拉斯特征映射和随机邻域嵌入构建样本之间的局部相关性矩阵。随后,为了将融合问题中不同特征的权重作为参数加入优化函数,分别使用了两种正则化方法。值得注意的是,以上两种方法都是自适应的多特征融合框架算法,即该算法能够用于任意多种特征融合问题并根据目标函数自适应地找到每种特征最优的权重;(4)利用机器学习领域的最新成果,提出了两种多约束的判别流形学习高光谱目标探测方法:稀疏迁移学习的高光谱目标探测和多约束测度学习的亚像素目标探测。两种方法的共同点是在判别流形学习的框架中加入了对标记样本和无标记样本的多重约束,防止在判别流形学习中对目标样本的过学习。这样,流形学习的方法在多约束的作用下能够有效地用于高光谱遥感影像目标探测;(5)针对高光谱遥感影像分析与分类问题,提出将模式分析中现有的基于向量的学习机推广为基于张量的学习机的一般框架。在该框架的支持下,提出了多特征支持张量机、多类支持张量机、邻近支持张量机等张量描述的高光谱影像多维线性分析与分类算法,进一步证明了张量描述与张量学习方法的有效性。
|
全文目录
中文摘要 5-7 ABSTRACT 7-9 目录 9-12 第一章 绪论 12-20 1.1 研究背景与意义 12-13 1.2 遥感影像信息提取的研究现状 13-16 1.3 论文的研究内容与章节安排 16-19 1.3.1 论文的主要研究内容 16-18 1.3.2 论文的章节安排 18-19 1.4 本章小结 19-20 第二章 流形学习的基本方法 20-35 2.1 流形学习的原理与分类 20-25 2.2 流形学习的片排列框架 25-33 2.3 流形学习在遥感影像处理中的应用 33-34 2.4 本章小结 34-35 第三章 张量流形空间中的遥感影像空间-光谱特征提取 35-69 3.1 张量及张量代数 36-42 3.1.1 矩阵克罗内克积(Kronecker Product) 36-37 3.1.2 矩阵Khatri-Rao积(Khatri-Rao Product) 37 3.1.3 张量 d 阶展开(Mode-d Matricizing) 37-38 3.1.4 张量外积(Outer Product) 38 3.1.5 张量的内积(Inner Product),范数(Norm)和距离(Distance) 38 3.1.6 张量缩并(Tensor Contraction) 38-39 3.1.7 张量d维度乘积(Mode-d Product) 39-40 3.1.8 张量分解 40-42 3.1.9 张量计算工具 42 3.2 高光谱遥感影像多特征一体化张量描述 42-48 3.2.1 多时-空-谱遥感影像张量描述 43-45 3.2.2 高光谱遥感影像多特征张量描述 45 3.2.3 高光谱遥感影像对象级特征张量描述 45-46 3.2.4 多时-空-谱遥感影像张量描述的优势 46-48 3.3 张量判别局部排列算法 48-67 3.3.1 张量判别局部排列 50-54 3.3.2 TDLA算法实验结果 54-67 3.4 本章小结 67-69 第四章 遥感影像多特征融合的自适应流形学习框架 69-110 4.1 基于流形学习的多特征融合方法 69-94 4.1.1 MFC算法介绍 72-79 4.1.2 MFC算法实验结果 79-93 4.1.3 MFC算法小结 93-94 4.2 多特征随机邻域嵌入算法 94-108 4.2.1 MSNE算法介绍 95-100 4.2.2 MSNE算法实验结果 100-107 4.2.3 MSNE算法小结 107-108 4.3 本章小结 108-110 第五章 多约束的判别流形学习高光谱目标探测 110-144 5.1 稀疏迁移学习的高光谱目标探测 111-131 5.1.1 STME算法介绍 112-118 5.1.2 STME算法实验结果 118-129 5.1.3 STME算法小结 129 5.1.4 附录 129-131 5.2 多约束测度学习的亚像素目标探测 131-142 5.2.1 测度学习的相关研究 132-133 5.2.2 SML算法介绍 133-138 5.2.3 SML算法实验结果 138-142 5.2.4 SML算法小结 142 5.3 本章小结 142-144 第六章 张量描述的高光谱影像多维线性分析与分类 144-174 6.1 张量学习的一般框架 144-151 6.1.1 SVM的张量扩展 147-148 6.1.2 MPM的张量扩展 148-149 6.1.3 FDA的张量扩展 149 6.1.4 DML的张量扩展 149-151 6.2 多特征张量表达的遥感影像目标定位 151-159 6.2.1 基于Gabor纹理的遥感影像多特征张量描述 151-153 6.2.2 二类支持张量机及其解法 153-154 6.2.3 MSTM算法实验结果 154-159 6.2.4 MSTM算法小结 159 6.3 基于支持张量机的遥感影像分类 159-167 6.3.1 多类支持张量机及其实现 159-162 6.3.2 基于支持张量机的遥感影像分类结果 162-167 6.3.3 多类支持张量机算法小结 167 6.4 邻近支持张量机的高光谱目标识别 167-172 6.4.1 邻近支持向量机(PSVM) 168-169 6.4.2 邻近支持张量机(PSTM) 169-171 6.4.3 PSTM目标识别实验 171-172 6.5 本章小结 172-174 第七章 结论与展望 174-177 7.1 本论文的结论及主要创新点 174-175 7.2 未来工作的展望 175-177 参考文献 177-198 附录 198-201 致谢 201-202
|
相似论文
- 基于流形学习的高维流场数据分类研究,V231.3
- 高光谱图像空—谱协同超分辨处理研究,TN911.73
- 基于感兴趣信息的高光谱图像压缩技术研究,TP391.41
- 星载高光谱传感器模拟仿真系统研究,TP391.9
- 唇读中的特征提取、选择与融合,TP391.41
- 高光谱与高空间分辨率遥感图像融合算法研究,TP751
- 高光谱遥感场景模型仿真研究,TP72
- 基于核方法的高光谱图像异常检测算法研究,TP751
- 基于流形学习的数据降维技术研究,TP311.13
- 基于高光谱遥感的太湖水体藻蓝素和CDOM浓度估算模型研究,X87
- 褐飞虱和稻纵卷叶螟为害后水稻的光谱特征,S435.112
- 高光谱图像技术诊断黄瓜病害方法的研究,S436.421
- 基于高分辨率遥感数据的矿区房屋信息提取方法研究,TP751
- 基于HJ-1高光谱数据的矿区植被污染监测,TP751
- 基于形态学策略的高分辨率遥感影像道路提取方法研究,TP751
- 宁东地区侏罗系直罗组沉积特征及其水文地质意义,P534.52
- 稀少控制点条件下高分辨率卫星数据的精确定位方法研究,TP751
- 前列腺癌中RUNX3基因的表达及其CpG岛甲基化的临床意义,R737.25
- 矿区植被生化组分高光谱遥感定量反演,TP79
- 矿业扰动区水质参数高光谱遥感反演,TP79
- 肺癌患者循环DNA中表皮生长因子受体(EGFR)突变的检测及其临床意义,R734.2
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
|