基于稀疏表示的半监督高光谱图像分类算法

摘要

随着高光谱遥感技术的发展，高光谱遥感技术在地质勘探、精细农业、星际探索等方面引起了广泛的关注和高度的重视，而高光谱遥感图像分类作为图像理解与解译的前提也具有着重要的意义。但高光谱遥感图像波段较多、空间信息复杂的现状给高光谱图像分类带来了巨大的挑战，那么如何利用高光谱图像本身固有的属性提高分类精度变的尤为重要。机器学习邻域按照训练分类器过程中使用有标记样本的情况将所有分类方法分为有监督学习、半监督学习、无监督学习三种类型，这三类方法在图像分类的运用中均取得了显著的效果。故本论文结合这些方法，提出多种高光谱图像分类的方法并在真实高光谱图像上进行测试，本论文主要工作概括如下：
　　1.传统稀疏表示分类器在有标记样本数目比较多的情况下对高光谱图像进行分类可以得到很好的效果，在有标记样本数目少时，结果往往难以令人满意。据此，本论文介绍了一种联合稀疏表示的半监督高光谱图像分类方法，提出的新方法同时利用少量有标记样本的类标信息和大量无标记样本的结构信息，从而提高高光谱图像分类精度。
　　2.K-means聚类方法只是简单地计算每一个无标记样本到聚类中心的欧式距离，没有运用少量有标记样本的类标信息，同时也没有考虑到无标记样本与不同类别之间的贴切度。故本论文提出基于相似度与线性表示的高光谱图像分类方法，该方法充分运用有标记样本的类标信息和总类别个数标记未知样本，从而使高光图图像的分类结果在有标记样本个数很少时优于传统的分类器。
　　3.传统稀疏表示分类通过最小化重构误差对每个无标记样本进行类标的预测，完全忽略无标记样本与其周围样本的关系。故本论文提出基于k近邻和稀疏表示的高光谱图像分类算法，该算法判断稀疏表示算法从字典中选取的有标记样本中有没有测试样本点周围的样本？如果有，则利用选中的样本点的类标信息结合k近邻原则给测试样本点进行类标的预测，否则利用类标传播算法对无标记样本进行类标预测。
　　本论文的工作得到了国家自然科学基金(No.61272282)和“十三五”预研领域基金（61404520101）项目的资助。

目录

声明

插图索引

表格索引

符号对照表

缩略语对照表

第一章 绪论

1.1 研究背景和意义

1.2 国内外研究现状分析

1.3 论文的主要工作及内容安排

1.4 本章小结

第二章 高光谱图像分类基础

2.1 高光谱图像分类的常见方法

2.2 稀疏表示模型

2.3 高光谱图像分类方法的性能评价

2.4 本章小结

第三章 基于联合稀疏表示的半监督高光谱图像分类

3.1 引言

3.2 基于类标传播的分类

3.3 基于稀疏表示的半监督分类

3.4 基于联合稀疏表示的半监督分类

3.5 实验结果和分析

3.6 本章小结

第四章 基于相似度与线性表示的高光谱图像分类

4.1 引言

4.2 K-means聚类

4.3 基于欧几里得距离度量法的相似度

4.4 基于相似度与线性表示的高光谱图像分类

4.5实验结果与分析

4.6 本章小结

第五章 基于k近邻与稀疏表示的高光谱图像分类

5.1 引言

5.2 k近邻法

5.3 基于k近邻与稀疏表示的高光谱图像分类

5.4 实验结果与分析

5.5 本章小结

第六章 总结与展望

6.1 工作总结

6.2 未来展望

参考文献

致谢

作者简介