基于密度排序聚类和超像素分割的高光谱遥感影像降维方法研究

《基于密度排序聚类和超像素分割的高光谱遥感影像降维方法研究》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、分类号TP311学校代码10590UDC004密级公开深圳大学硕士学位论文基于密度排序聚类和超像素分割的高光谱遥感影像降维方法研究学位申请人姓名唐贵华专业名称模式识别与智能系统学院（系、所）计算机与软件学院指导教师姓名贾森副教授深圳大学学位论文原创性声明和使用授权说明原创性声明本人郑重声明：所呈交的学位论文基于密度排序聚类和超像素分割的高光谱遥感影像降维方法研究是本人在导师的指导下，独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不含任何其他个人或集体已经发表或撰写的作品或成果。对本文的研究做出重要贡献的个人和集体

2、，均已在文中以明确方式标明。本声明的法律后果由本人承担。论文作者签名：日期：年月日基于密度排序聚类和超像素分割的高光谱遥感影像降维方法研究摘要由高光谱传感器在不同的光谱波长对某一空间区域同时成像获得的高光谱影像包含丰富的高级语义信息，这使得高光谱遥感影像在地物分类和识别领域获得极为广泛的关注。目前，高光谱遥感技术在军用和民用各个领域都发挥了重要作用。然而，由于在实际情况中很难获得足够标签的训练样本，高维波段特征不可避免会导致“维度灾难”（也称为Hughes现象）的问题，因此需要对高光谱图像进行降维处理。波段（或特征）选择方法和特征

3、提取作为重要的降维方式经常应用于高光谱图像处理。传统波段方法主要包含两大类：基于排序的波段选择方法和基于聚类的波段选择方法。前者对所有波段通过使用不同尺度（如非高斯）然后赋以权值再进行排序后选择波段；后者采用聚类的思想选择波段，将聚类中心作为代表性的波段。两种方法的思想不同但具有互补的优势，因此结合使用这两种方法的互补优势共同完成波段选择任务是十分有利的。本文提出了一种排序聚类的高光谱波段选择方法，称其为基于排序聚类（简称E-FDPC）方法。此外，还重点研究了基于熵率（ERS）的超像素分割信息用于特征提取的方法。本文的创新点包含以

4、下几个方面：首先，本文从两方面改进了原始快速密度聚类（FDPC）的方法来实现高光谱图像波段选择，一方面，通过引入权重信息对聚类过程中的局部密度以及最小类间距离两个参数进行控制以适用于连续波段分析；另一方面，使用一种基于指数级的学习规则进行截止阈值参数调整以适应不同数目的波段，这将使得选择的波段更具代表性。其次，提出了一种有效的自动检测最优数量波段的“孤立点停止策略”，该策略的思想是当出现聚类中心只有一个孤立点时，波段选择过程结束，可以作为在选择波段的适当数量的一个合理的指标，从而可以实现分类精度和维数降低之间的平衡。最后，提出了一

5、种基于熵率（ERS）的超像素分割的特征提取的方法应用到高光谱图像降维中，相比于原始像素的特征和简单线性迭代聚类（SLIC）超像素分割的特征提取，能够获得良好的分类特征，提升了特征集的鉴别能力。关键词：高光谱影像，降维，波段选择，特征提取，基于排序聚类，超像素IRanking-based-ClusteringandSuperpixelSegmentationforHyperspectralRemoteImageryDimensionalityReductionAbstractThroughimagingthesamespatiala

6、reabyhyperspectralsensorsatdifferentspectralwavelengthssimultaneously,theacquiredhyperspectralimageryoftencontainsabundantsemanticinformation,whichmakeshyperspectralremotesensingimageryinthefieldofsurfaceobjectsclassificationandidentificationattractwidespreadattention

7、.Currently,hyperspectralremotesensingtechnologyhasplayedanimportantroleinmanyareassuchasmilitaryandcivilian.However,duetothedifficultyofobtainingsufficientlabeledtrainingsamplesinpractice,thehighdimensionalfeaturesofspectralbandsunavoidablyleadstotheproblemof“dimensio

8、nalitydisaster”(alsocalledHughesphenomenon).Therefore,dimensionalityreductionshouldbeappliedforhyperspectralimagery.Band(orf