• 主题
高级搜索  >
历史搜索 清空历史
首页> 中文学位 >基于高斯过程分类器的高光谱图像分类
【6h】

基于高斯过程分类器的高光谱图像分类

代理获取
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

高光谱遥感(Hyperspectral Remote Sensing，HRS)技术最早出现于19世纪80年代，它第一次真正做到了图谱合一。较之多光谱遥感影像，高光谱图像(Hyperspectral Images，HSI)包含了极丰富的信息，使得对该类光谱图像数据进行更为合理、有效的分析成为了可能。而高光谱图像由于有标记样本相对很少，特征空间维数很高以及各种噪声的存在使得对其处理非常复杂。高斯过程分类器(Gaussian Process Classifier，GPC)是一种基于贝叶斯(Bayesian)框架的概率分类方法，已经应用于人体识别和高光谱图像分类等领域。本文以高光谱图像为背景，针对高光谱图像分类难点，结合高斯过程分类器相关理论提出了高光谱图像分类新方法。本论文的主要工作概括如下：
　　 (1)针对高光谱图像有标记样本非常少的分类难点，基于高斯过程分类器，采用协同训练策略，构建了一种新的半监督分类器-协同高斯过程分类器，并改进了传统协同训练中样本选择策略。将此方法应用于两幅真实高光谱图像的分类中，分类正确率较之有监督的高斯过程分类器得到不同程度的提高，在有标记样本有限的情况下提高较为显著。
　　 (2)针对高光谱图像特征空间维数高，有标记样本少的特点，提出了基于图的半监督特征选择方法。本文通过将一个半监督的相似度矩阵引入到现有的谱分析特征选择方法中得到了半监督的谱分析特征选择方法。将此半监督谱分析特征选择方法应用于真实的高光谱图像中实现波段选择，使得高光谱图像在波段数很少的情况下就能达到较满意的分类结果。
　　 (3)高斯过程分类器是一种基于贝叶斯框架的核机器，较之另一种核机器一支持向量机(Support Vector Machine，SVM)具有自动相关决策的优势，将此分类器应用于高光谱图像分类时能取得良好的效果，但是由于高光谱图像波段数目非常多，导致高斯过程分类器的算法复杂度高。本文针对此问题，采用粒子群优化算法(Particle Swarm Optimization，PSO)，实现了高斯过程分类器自动相关决策与波段选择的结合，在得到最优分类器参数的同时对分类使用的特征进行了降维，使得后续的分类复杂度大大下降。将此方法应用于高光谱图像的分类，在波段数很少的情况下便可得到与使用全部波段相当甚至更好的分类效果。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号