高光谱图像的特征选择方法研究

论文摘要

高光谱图像（Hyperspectral Image,HSI）具有数百个相邻且狭窄的光谱通道,其高维特性为区分不同的地表覆盖类型提供了丰富的信息。然而,这些连续的波段中通常含有大量的冗余信息,易导致休斯现象和计算复杂度的增加。特征选择作为一种常用的高光谱降维技术,是从原始波段空间中选择最优的波段组合,试图消除波段间的冗余信息同时,保持良好的分类能力。为了解决高光谱数据“维数灾难”以及光谱空间冗余的问题,本文在已有研究结果的基础上,针对特征选择的降维方法展开了研究,提出了两种新的波段选择方法。（1）提出了一种基于灰狼优化器的高光谱图像波段选择方法。该方法采用波段子空间分解、波段子集选择和波段组合优化的“三步走”策略。利用基于高光谱数据集的光谱和信息增益（Information Gain,IG）曲线,改进了波段子空间分解技术,并结合灰狼优化器（Grey Wolf Optimizer,GWO）的优化策略实现了最优波段组合的选择。为了证明所选波段的有效性,采用SVM（Support Vetcor Machine,SVM）分类器和所选择出的最优波段组合,对高光谱图像进行了像素级的分类。并将提出的IG-GWO方法与五种有竞争性的波段选择方法分别在Indian Pines（AVIRIS 92AV3C）、Pavia University（ROSIS-3）和Salinas（AVIRIS 92AV3C）三个高光谱数据集上进行了测试,比较结果肯定了本文提出的波段选择方法的有效性。（2）在改进的波段子空间分解（Improved Subspace Decomposition,ISD）和人工蜂群（Artificial Bee Colony,ABC）算法的基础上,提出了一种ISD-ABC的无监督波段选择技术,尝试解决了HSI分类中的降维问题。通过计算相邻波段间的相关系数,结合HSI谱曲线的可视化结果,发展了一种改进的子空间分解方法（ISD）。与现有的子空间分解方法相比,这种基于视觉的技术克服了仅利用波段近邻相关系数的极小值点来确定波段子空间的弊端。并结合极大熵（Maximum Entropy,ME）准则和人工蜂群优化算法,在最大化波段组合信息的同时,降低了所选波段之间的冗余程度,实现最优波段组合的选择。为了评价该方法的有效性,在两个AVIRIS数据集（Indian Pines和Salinas）和一个ROSIS数据集（Pavia University）上进行了实验。实验结果表明,与其他六种先进的波段选择技术相比,该方法在实验用时和分类精度方面均表现出了良好的性能。

论文目录

文章来源

类型: 硕士论文

作者: 李芳菲

导师: 谢福鼎

关键词: 高光谱遥感,降维技术,特征选择,高光谱影像分类,子空间分解,人工蜂群,灰狼优化器

来源: 辽宁师范大学

年度: 2019

分类: 基础科学

专业: 自然地理学和测绘学

单位: 辽宁师范大学

分类号: P237

总页数: 68

文件大小: 3719K

下载量: 235

相关论文文献

• [1].基于深度学习的高光谱图像分类算法[J]. 传感器与微系统 2020(07)
• [2].基于生成对抗网络的高光谱图像分类[J]. 计算机工程与应用 2019(22)
• [3].深度学习在高光谱图像分类领域的研究现状与展望[J]. 自动化学报 2018(06)
• [4].基于高光谱图像技术的水果表面农药残留检测观察[J]. 种子科技 2017(04)
• [5].高光谱图像技术在农产品监测中的应用进展[J]. 北京农业 2016(01)
• [6].粮油中高光谱图像技术的应用现状[J]. 粮食与饲料工业 2016(09)
• [7].基于核方法协同表示的高光谱图像分类[J]. 广西大学学报(自然科学版) 2019(05)
• [8].基于快速去噪和深度信念网络的高光谱图像分类方法[J]. 桂林电子科技大学学报 2016(06)
• [9].局部保护降维与高斯混合模型的高光谱图像分类[J]. 工业仪表与自动化装置 2017(04)
• [10].高光谱图像技术在水果品质检测中的研究进展[J]. 食品研究与开发 2013(10)
• [11].高光谱图像技术在食品无损检测中的研究进展[J]. 食品工业科技 2012(15)
• [12].基于3D卷积联合注意力机制的高光谱图像分类[J]. 红外技术 2020(03)
• [13].高光谱图像分类方法研究进展[J]. 新产经 2020(04)
• [14].高光谱图像分类的研究进展[J]. 光学精密工程 2019(03)
• [15].基于空-谱加权总变分的高光谱图像混合噪声去除算法[J]. 德州学院学报 2017(04)
• [16].基于低秩结构提取的高光谱图像压缩表示[J]. 电子与信息学报 2016(05)
• [17].高光谱图像稀疏信息处理综述与展望[J]. 遥感学报 2016(05)
• [18].高光谱图像技术在水果无损检测中的研究进展[J]. 激光与红外 2013(09)
• [19].基于卷积神经网络与主动学习的高光谱图像分类[J]. 中国科学院大学学报 2020(02)
• [20].针对高光谱图像的目标分类方法现状与展望[J]. 激光与红外 2020(03)
• [21].基于鱼群算法的高光谱图像稀疏分解研究[J]. 计算机仿真 2020(01)
• [22].基于自适应主动学习与联合双边滤波的高光谱图像分类[J]. 计算机科学 2018(12)
• [23].浅谈高光谱图像融合方法[J]. 科技风 2019(16)
• [24].拉普拉斯约束低秩表示的高光谱图像异常检测[J]. 光谱学与光谱分析 2018(11)
• [25].基于焦点损失的半监督高光谱图像分类[J]. 计算机应用 2020(04)
• [26].基于空谱联合协同表征的高光谱图像分类算法[J]. 计算机工程与设计 2020(03)
• [27].基于关联规则的含噪高光谱图像分类系统[J]. 激光杂志 2018(12)
• [28].基于改进的局部保持投影高光谱图像分类研究[J]. 计算机应用研究 2017(08)
• [29].不变矩在高光谱图像空谱分类中的应用研究[J]. 小型微型计算机系统 2017(07)
• [30].基于谱聚类波段选择的高光谱图像分类[J]. 光电工程 2012(02)

标签：高光谱遥感论文;  降维技术论文;  特征选择论文;  高光谱影像分类论文;  子空间分解论文;  人工蜂群论文;  灰狼优化器论文;