融合空--谱信息的高光谱图像分类方法研究

摘要

随着遥感技术迅速发展，高光谱图像比普通图像能够更准确地识别地物类别信息，其图像分类技术成为遥感领域研究的重要应用。然而高光谱数据维数高并且带标签的样本少，在小样本的情况下高光谱图像处理和数据分析具有一定的难度。传统的分类方法往往只利用了光谱信息，空间信息未被充分利用，并且在大量的无标签样本集中如何筛选出具有价值的样本信息同时准确预测其地物类别。针对上述问题，本文在前人研究的基础上对半监督分类算法和空间信息的辅助作用做了深入的研究，提出了两种新的半监督学习算法。具体内容如下所示: 1、提出了结合主动学习与标签传递算法的高光谱图像半监督分类。该方法首先通过PCA降维获取光谱信息，用Gabor滤波方法提取空间纹理信息，将得到的空-谱信息特征级联，再利用主动学习方法中BT(Breaking Ties，BT)选择策略选取富含信息量的无标签样本，然后通过标签传递算法(Label Propagation，LP)预测所选取的无标签样本的类别。这些新产生的样本将被标记并且加入训练样本集来帮助初始化支持向量机分类器。实验结果表明，该方法能够在带标签数据很少的情况下有效利用无标签样本提高分类精度。 2、提出了基于空间信息粒子群优化的高光谱图像半监督分类。该方法从三个方面充分利用地物光谱、空间信息改善高光谱图像的分类效果。首先，通过对PCA降维后的前三主成分分别进行Gabor滤波获取纹理信息图像并与第一主成分光谱信息图像结合;然后利用粒子群优化算法、空间邻域样本信息筛选有价值、高置信度的未标记样本进一步扩充标记训练样本集中;最后根据空间特征与光谱特征构造空-谱组合核函数用于支持向量机分类。实验结果表明，该算法从多角度多方面充分利用空间信息辅助提高分类器的分类效果。

目录

声明

摘要

第1章绪论

1．1课题研究的背景和意义

1．1．1研究背景

1．1．2课题研究的目的意义

1．2高光谱图像分类的研究现状

1．3论文的研究内容及章节安排

1．4实验数据集与实验环境介绍

第2章高光谱图像典型分类技术

2．1引言

2．2无监督分类方法

2．2．1 K均值聚类

2．2．2谱聚类

2．3监督分类方法

2．3．1最大似然判别法

2．3．2光谱角匹配法

2．3．3最小二乘支持向量机

2．4半监督分类方法

2．4．1拉普拉斯支持向量机

2．4．2自训练

2．4．3基于图的半监督学习

2．5实验结果与仿真

2．6本章小结

第3章结合主动学习和标签传递的半监督分类

3．1引言

3．2方法部分

3．2．1主动学习

3．2．2标签传递算法

3．2．3基于主动学习和标签传递的半监督分类算法

3．3实验部分

3．3．1实验数据

3．3．2实验设置

3．3．3 Indian Pines数据集实验结果与分析

3．3．4帕维亚大学数据集实验结果与分析

3．4本章小结

第4章基于空-谱粒子群优化的半监督分类

4．1引言

4．2方法部分

4．2．1 Gabor空间特征提取

4．2．2粒子群算法

4．2．3基于空-谱粒子群优化的高光谱图像半监督分类

4．3实验部分

4．3．1实验设置

4．3．2 Indian Pines数据集实验结果与分析

4．3．3帕维亚大学数据集实验结果与分析

4．4本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢