高光谱数据的非线性特征提取与分类研究

发布时间：2024-03-01 19:28

　　高光谱遥感技术一直以来是遥感领域的一个研究热点,在很多实际场景中产生了良好的社会经济效益。因此不断改进和完善高光谱数据的处理分析方法是人们所迫切需要的。虽然传统特征提取方法在高光谱数据上的应用已初见成效,但是并没有很好地解决高光谱数据的数据冗余和人工标记样本缺乏等问题。针对高光谱数据非线性的特点,本文首先基于流形学习方法,在其基础上进行改进和优化,提出了一种新的特征提取方法。近些年深度学习方法由于其强大的特征学习能力,在高光谱数据的特征提取与分类上表现得越来越抢眼。本文针对高光谱数据存在人工标记的训练样本有限等问题,设计了一种基于多层特征融合的卷积神经网络模型,用于提取高光谱数据的非线性特征并最终实现分类。主要研究内容如下:(1)针对原始高光谱数据的噪声问题,首先对其进行降噪等预处理操作,然后将校正后的三维高光谱数据转化成二维数据。(2)针对高光谱数据的非线性特征及“小样本”问题,本文在流形学习方法基础上提出了一种正交指数判别局部保留投影法(Orthogonal Exponential Discriminant Locality Preserving Projection,OEDLPP...

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

图２．１高光谱数据结构示意图??２．２高光谱实验数据集??

标的识别和检测就越准确［４１］。高光谱数据包括了空间域和光谱域，分别代表了地物特征信息??和每一个被观测地物的光谱信息。高光谱遥感数据就是将两者叠加得到一个立方体，完整地??将地物特征和光谱信息结合在一起，使其具有“图谱合一”的性质。如图２．１为高光谱数据的??三维结构示意图。从....

图２．２?Ｉｎｄｉａｎ?Ｐｉｎｅｓ伪彩色图及地物的真实类别标记图??

Ｉｎｄｉａｎ?Ｐｉｎｅｓ数据是由ＡＶＩＲＩＳ传感器在印第安纳州西北部的Ｉｎｄｉａｎ?Ｐｉｎｅｓ地区采集的，大??小为１４５ｘ１４５，由２２４个光谱波段组成。其中光谱波段范围为０．４￣２．５ｘｌ〇－６ｍ。该数据的伪彩??色图（波段选择５７，?２７，?１７）如图２．２（ａ）所示，图２....

图２．３?ＰａｖｉａＣ伪彩色图及地物的真实类别标记图??表２．２?ＰａｖｉａＣ数据集样本类别及其数量??

原始大小为１０９６ｘ１０％，但是该数据的一些样本不包含地表信息，我们通过预处理方法将其??丢弃。因此通过校正后的数据大小为丨０９６ｘ７丨５，拥有１０２个波段。该数据的伪彩色图（波段??选择６８，?３０，?２）如图２．３（ａ）所示，图２．３（ｂ）给出了数据集的真实类别标记，同一颜色....

图２．４?ＰａｖｉａＵ伪彩色图及地物的真实类别标记图??

６１０ｘ６１０，我们仍需丢弃与本文分类实验无关且不包含地表信息的无用样本。原数据校正得到??的图像大小为６１０ｘ３４０，拥有１０３个波段。该数据的伪彩色图（波段选择６８，?３０，２）如图??２．４（ａ）所示，图２．４（ｂ）给出了数据集的真实类别标记。该观测场景对９类地物进行了标记....

本文编号：3915717