基于超像素级联的高光谱图像分类算法研究

发布时间：2023-05-05 11:59

　　近年来,随着高光谱成像技术和理论研究的不断发展,高光谱遥感已广泛应用于人类生产生活。高光谱图像分类作为高光谱遥感领域的一项重要研究内容,已吸引众多国内外的优秀学者投身于其中。光谱成像技术特别是光谱和空间分辨率的不断提高,使得收集到的高光谱图像包含了更加丰富的地物空间和光谱信息,同时又带来了新的挑战。一方面,有限的标记样本,要求分类器有着极强的鉴别能力,制约着高光谱图像分类精度的提升。另一方面,高光谱图像分类问题的特殊性导致算法计算规模非常大。本文将以超像素为基础,结合超像素的优势与高光谱图像的特点,深入研究小样本条件下的高光谱图像分类。主要包括以下成果:1.针对已有超像素算法普遍需要预先指定超像素个数的问题,提出了一种自适应超像素分割方法。该方法基于熵率分割算法均匀分割的假设。首先,针对不同的高光谱图像,利用图像的空间分辨率估计出均匀分割时每个超像素中像素的个数。然后,结合图像的空间大小与每个超像素包含的像素个数,自适应求取高光谱图像的超像素个数。最后,利用熵率分割算法对高光谱图像进行超像素分割。实验结果表明,自适应超像素分割算法完全能够根据不同图像的空间大小、空间分辨率自适应地完成超...

【文章页数】：88 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 研究现状
        1.2.1 高光谱图像特征提取研究现状
        1.2.2 高光谱图像分类研究现状
        1.2.3 高光谱图像深度学习研究现状
    1.3 高光谱图像分类评价指标
    1.4 本文使用的高光谱数据源概述
        1.4.1 Indian Pines数据集
        1.4.2 Salinas数据集
        1.4.3 Pavia University数据集
        1.4.4 Kennedy Space Center数据集
    1.5 章节安排
第2章 高光谱图像特征提取及超像素在高光谱图像分类中的应用
    2.1 高光谱图像特征提取
        2.1.1 高光谱形态学特征提取
        2.1.2 高光谱图像3D Gabor特征提取
    2.2 超像素
        2.2.1 超像素概述
        2.2.2 超像素分割算法
    2.3 熵率分割-Entropy Rate Segmentation
    2.4 超像素在高光谱图像分类中的应用
        2.4.1 基于超像素预处理的高光谱图像分类
        2.4.2 基于超像素后处理的高光谱图像分类
    2.5 本章小结
第3章 高光谱图像自适应超像素分割
    3.1 传统超像素分割算法存在的问题
    3.2 基于均匀分割假设的超像素大小估计
    3.3 基于高光谱图像自身属性的自适应分割
    3.4 实验结果分析
        3.4.1 超像素内部像素估计实验结果分析
        3.4.2 超像素个数估计实验结果分析
        3.4.3 方法鲁棒性分析
    3.5 本章小结
第4章 基于协同表示的多尺度超像素高光谱图像分类结果融合
    4.1 EMAP-Gabor特征提取
    4.2 基于协同表示的预分类
    4.3 自适应多尺度超像素分割
    4.4 多尺度超像素图的结果校正及融合
    4.5 实验设计及结果分析
        4.5.1 实验设置
        4.5.2 参数分析
        4.5.3 实验结果
    4.6 本章小结
第5章 基于超像素级加权标签传播的高光谱图像分类
    5.1 高光谱图像超像素过分割
    5.2 基于超像素的特征提取
    5.3 超像素样本正则化及邻域搜索
    5.4 超像素加权标签传播
        5.4.1 基于图的动态标签传播分类算法
        5.4.2 基于超像素的加权标签传播算法
    5.5 实验设计及结果分析
        5.5.1 实验设置
        5.5.2 参数分析
        5.5.3 实验结果
    5.6 本章小结
第6章 总结与展望
    6.1 主要内容及创新点总结
    6.2 未来展望
参考文献
指导教师对研究生学位论文的学术评语
学位论文答辩委员会决议书
致谢
攻读硕士学位期间研究成果



本文编号：3808122