基于空谱信息挖掘和稀疏表示学习的高光谱图像分类

《基于空谱信息挖掘和稀疏表示学习的高光谱图像分类》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、？爲凌毛讀似專憤＋拳＾値镶义ＩＴＷｍｒｎｍＪＴ§ｍＪＬＷ％ＭＩ＇＾（＾Ｗ＾）ｍ基于空谱信息挖掘和稀疏表示学习的９高光細像分类１作者姓名张二磊＾？１指导教师姓名、职觀王力娘教較ｖＭ串请学位类别工学博古圓西安电子科技大学学位论文独创性（或创新性）声明秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在导师。指导下进行的研巧工作及取得的研究成果尽我所知，除了文中特别加标注和致谢中所罗列的内容レッ外，论文中不包含其他人已经发表或撰写过的研究成果；也不包含一为获得西安电子科技大学或其它教

2、育机构的学位或证书而使用过的材料。与我同工作的同事对本研究所做的任何贡献均己在论文中作了明确的说明并表示了谢意。一学位论文若有不实之处。，本人承担切法律责任？２ＶＯ／＾．１７Ｊ；ｊ本人签名：日期西安电子科技大学关于论文使用授权的说明目Ｐ；本人完全了解西安电乎科技大学有关保留和使用学位论文的规定，研究生在校攻读学位期间论文工作的知识产权属于西安电子科技大学。学校有权保留送交论文的复印件，允许查阅、借阅论文；学校可公布论文的全部或部分内容，允许。采用影印、缩印或其它复制手段保存论文同时本人保证，结合学位论文研巧成果、发。论利等成，署名单位

3、为西安电子科技大学完成的文明专果保。密的学位论文在＿＿年解密后适用本授权书至：名：本人签导师签名＾《．会心巧’ｒ：ｅＫｉ：日Ｖ日期期学校代码10701学号1102110199分类号TP181密级公开西安电子科技大学博士学位论文基于空谱信息挖掘和稀疏表示学习的高光谱图像分类作者姓名：张二磊一级学科：控制科学与工程二级学科：模式识别与智能系统学位类别：工学博士指导教师姓名、职称：王力波教授学院：电子工程学院提交日期：2015年9月HyperspectralImageClassificationwithSpectral-SpatialInformationMininga

4、ndSparseRepresentationLearningAdissertationsubmittedtoXIDIANUNIVERSITYinpartialfulfillmentoftherequirementsforthedegreeofDoctorofPhilosophyinPatternRecognitionandIntelligentSystemsByZhangErleiSupervisor:WangLiboProfessorSeptember2015摘要摘要高光谱遥感技术在环境监测、精细农业和军事侦察等众多应用领域都引起了广泛关注并占据着重要地位。在应用高光谱图像时，对其分类是

5、图像理解与解译的前提。随着遥感探测技术的发展，光谱分辨率和空间分辨率不断提高，这在增加信息的同时，也给高光谱图像分类问题带来了新的挑战：如何挖掘高光谱图像中的有利于分类的判别信息，尤其是光谱信息和空间信息；如何解决地物类内和类间差异变化问题；如何实现不同特征的有效融合等问题。针对这些问题，本论文根据稀疏表示学习理论，提出了多种分类方法，并在真实的高光谱图像上进行了测试。本论文主要工作概括如下：1.传统的稀疏表示分类器在进行高光谱图像分类时往往忽略了数据的“图谱合一”特性，无法获得令人满意的结果。本论文根据高光谱图像的数据特性和稀疏表示分类方法，提出了一种基于光谱信息散度的稀疏表示分类方法。

6、新提出的方法同时考虑了光谱特性、近邻空间信息和数据的稀疏性，能够更有效地描述了像素的谱变化、相似性和判别性。在真实的高光谱图像上验证了所提出方法在分类精度上优于传统的稀疏表示分类方法。2.由于高光谱图像的内容和背景复杂，类内和类间差异变化大，而多种特征的联合往往有助于解决这些问题，本论文提出了基于多特征联合的稀疏表示分类方法。在获得几种互补的特征（谱特征、形状特征或纹理特征等）情况下，所提出的方法能够针对每种特征获得一个表示系数向量，并在这些表示系数上加入联合稀疏正则约束，使这些系数具有相同的稀疏模式从而来保存特征间的信息。此外，该方法还在每一种特征中都考虑了空间近邻信息，能够实现空谱信息

7、有效联合，进一步提高了分类精度。通过在真实的高光谱图像上实验，验证了所提出的方法能够取得预期的分类结果，而且耗费内存和运行时间更少。3.虽然多特征联合的稀疏表示分类模型提供了一种新的多特征联合途径，但是它没有考虑不同特征在联合决策时贡献的差异，也不能处理非线性可分的情况。为了解决这些问题，本论文提出了基于多特征加权联合的核稀疏表示分类方法。该方法为不同的特征赋予合适的权重，使最终的联合决策更加优秀。为了解决高光谱图像中的