面向高光谱图像的空谱核半监督图聚类算法研究

《面向高光谱图像的空谱核半监督图聚类算法研究》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、面向高光谱图像的空谱核半监督图聚类算法研究重庆大学硕士学位论文（学术学位）学生姓名：郝盼超指导教师：李志敏副教授专业：仪器科学与技术学科门类：工学重庆大学光电工程学院二O一六年四月Semi-SupervisedGraphClusteringwithSpatial-SpectralKernelanditsApplicationinHyperspectralImageAThesisSubmittedtoChongqingUniversityInPartialFulfillmentoftheRequi

2、rementfortheMaster’sDegreeofEngineeringByHaoPanchaoSupervisedbyAss.Prof.LiZhiminSpecialty:InstrumentScienceandTechnologyCollegeofOptoelectronicsEngineeringofChongqingUniversity,Chongqing,ChinaApril2016重庆大学硕士学位论文中文摘要摘要高光谱遥感图像信息量丰富、分辨率高，具备准确描述地物的能力。然而，

3、由于其维数多、数据量大，传统图像分类方法已不再适用。如何有效挖掘有用信息，实现高精度地物分类，是一个亟待解决的问题。本文从高光谱图像的数据特点入手，分别从谱图聚类以及空-谱联合聚类算法两个方面进行研究，主要工作包括：①总结了半监督学习、谱图聚类、核聚类以及结合空间信息的聚类算法的实现过程，并介绍了常用的聚类算法和聚类结果评估标准；②提出了一种新的面向高光谱图像的半监督复合核图聚类算法。针对传统聚类算法可能存在的计算繁琐以及对先验信息利用不充分的问题，本文结合K近邻方法与半监督学习方法对径向基函数

4、和光谱角核函数进行了改进，构造了复合核权重矩阵，并将谱图理论用于聚类过程，以便更好地发现高光谱数据的本质结构，实现半监督复合核图聚类（SSGCK）。在IndianPine和Botswana高光谱数据集上的实验结果表明，该算法获得了更准确的聚类结果，且可有效降低计算复杂度。③研究了空-谱联合的图聚类算法。介绍了空间信息知识及空谱信息联合的方法，根据高光谱图像空间分布的特点--近邻点多为同类，利用空间信息修正基于光4谱信息的样本近邻矩阵，本文提出了空谱核半监督图聚类算法（SGC）。在Indian4P

5、ine和Botswana高光谱数据集上的实验结果表明：相对于SSGCK算法，SGC算法的聚类准确率提升显著，对高光谱遥感影像的地物划分具有更好的效果。综上所述，本文主要研究了面向高光谱遥感影像的谱图聚类和空-谱联合聚类方法，并通过高光谱遥感数据集验证了本文方法地物聚类效果。关键词：高光谱遥感图像，聚类，半监督学习，复合核，空间信息I重庆大学硕士学位论文英文摘要ABSTRACTBecauseofitsrichinformationandhighresolution,hyperspectralrem

6、otesensingimagehastheabilitytoaccuratelydescribingthegroundobjects.However,duetoitshighnumberofdimensionsandlargeamountofdata,hyperspectraldatacannolongerusetheconventionalimageclassificationmeans,thenhowtoeffectivelyexcavateusefulinformationtoachiev

7、ehighlyaccurateclassificationisalreadyaseriousproblem.Basedonthecharacteristicsofhyperspectralimage,thispaperrespectivelystudiedthegraph-basedclusteringalgorithmandspatial-spectralbasedclusteringalgorithm,themaincontentsare:①Theimplementationprocesso

8、fsemi-supervisedlearning,graph-basedclustering,kernelclusteringandspatial-spectralbasedclusteringalgorithmwassummarized,aswellassomecommonclusteringalgorithmsandclusteringevaluationbeingintroduced.②Semi-supervisedgraphclusteringwithcompositekernel（SS