遥感图像的Shearlet变换融合与半监督极限学习机分类方法研究

摘要

遥感图像融合是对各源图像数据进行综合利用，减少信息间存在的冗余，使图像中的有用信息得到增加，并最终获得一幅信息含量全面，实用价值更高的图像。图像融合，具有代表性的方法有小波变换法、Shearlet变换法。图像融合时，融合机制的设定关系着融合图像的质量。本文通过结合Shearlet变换法的优点，引入新的融合机制，来改进遥感图像融合效果。 遥感图像分类中，如何有效利用大量未标记样本中的有用信息来辅助标记样本，对训练器进行改善，成为当前模式识别研究中的一个热门方向。极限学习机是近年来提出的，一种具有代表性的分类算法。此算法具有输入参数少、泛化能力强、计算速率快等优点，成为当前研究的热门机器学习方法。所以，本文通过利用聚类算法与极限学习机的优点，提出了基于模糊聚类的半监督极限学习机分类算法。 论文的主要工作和成果有以下两点： (1)提出一种改进后的Shearlet变换融合法。本文根据遥感图像高频、低频信息的特点，采用局部方差和能量比的融合规则对遥感图像进行融合。为验证本文提出方法的有效性，通过与原始Shearlet变换融合法和小波变换融合法进行试验对比。结果显示，本文方法不论从直观视觉上，还是从数据评价指标上都优于其它两种方法。 (2)提出一种新的基于GKclust算法的半监督极限学习机分类算法。论文通过对K-means算法、模糊c-means算法、模糊GKclust算法以及极限学习机的介绍，进而将两种模糊聚类算法分别与极限学习机实现半监督分类。为了检测所提算法的有效性，分别与极限学习机监督分类进行对比试验。结果表明，新提出的基于GKclust自训练半监督极限学习机分类方法优于FCM自训练半监督极限学习机方法优于监督分类法。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 引言

§1.1研究意义

§1.2.遥感图像融合及分类概述

§1.3 本文的主要研究内容

§1.4 论文的结构安排

第二章 国内外研究现状

§2.1 图像融合研究现状

§2.2 图像分类研究状况

第三章 基于Shearlet变换的遥感图像融合

§3.1 IHS变换法

§3.2 PCA变换法

§3.3 小波变换融合法

§3.4 Shearlet变换融合方法

§3.5 仿真实验及结果分析

§3.6 本章小结

第四章 基于模糊聚类的半监督极限学习机遥感图像分类

§4.1 极限学习机简介

§4.2 模糊聚类算法

§4.3 基于GKclust的半监督极限学习机分类方法

§4.4 实验结果与分析

§4.5 本章小结

第五章 总结与展望

§5.1 结论

§5.2展望

参考文献

致谢

作者在攻读硕士期间主要研究成果