基于LSTSVM的高光譜圖像分類方法研究.pdf_第1頁(yè)
已閱讀1頁(yè),還剩85頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、地物目標(biāo)分類技術(shù)是高光譜遙感圖像處理的一個(gè)重要分支,隨著社會(huì)的快速發(fā)展,人們對(duì)分類精度和分類效率的要求也日益提高。高光譜圖像分類是根據(jù)每個(gè)像元的特征屬性,為其指定地物類別,如今,分類方法日益豐富,但高光譜圖像分類技術(shù)依然存在著關(guān)鍵性問(wèn)題:(1)高光譜圖像數(shù)據(jù)的維數(shù)一般較高,運(yùn)算量大;(2)包括標(biāo)準(zhǔn)SVM在內(nèi)的一些分類算法在選取訓(xùn)練樣本集來(lái)對(duì)分類器進(jìn)行訓(xùn)練時(shí),采用的是隨機(jī)抽取的方法,沒(méi)有考慮到訓(xùn)練樣本間的差異性,導(dǎo)致在選取的訓(xùn)練樣本集中存

2、在冗余,分類效率低;(3)現(xiàn)有的融合空間-光譜信息的分類模型中,一般都只利用一種空間信息,沒(méi)有對(duì)原圖像所包含的空間信息進(jìn)行充分利用,如將光譜信息與紋理信息或與形態(tài)結(jié)構(gòu)信息進(jìn)行融合,等等?;谝陨蠁?wèn)題,本文主要研究基于最小二乘孿生支持向量機(jī)(Least Square Twin Support Vector Machine, LSTSVM)的高光譜圖像分類算法,在一對(duì)余(one-against-rest,1-a-r)多分類結(jié)構(gòu)的基礎(chǔ)上,對(duì)“

3、-1”類訓(xùn)練樣本集通過(guò)距離計(jì)算,去除其中心區(qū)域樣本,以提升分類效率;同時(shí),為了充分利用原始高光譜圖像所包含的信息,本文將紋理信息、結(jié)構(gòu)信息與光譜信息進(jìn)行融合用于LSTSVM分類。實(shí)驗(yàn)表明,本文所提的改進(jìn)融合空間-光譜信息的樣本縮減LSTSVM分類算法不但可以提高原分類器的分類效率,而且可以使分類精度得到有效提升。本文主要內(nèi)容如下:
  首先,對(duì)高光譜圖像的課題研究背景、研究意義以及分類技術(shù)的國(guó)內(nèi)外發(fā)展現(xiàn)狀進(jìn)行介紹;
  其次

4、,在介紹標(biāo)準(zhǔn)支持向量機(jī)(Support Vector Machine,SVM)、孿生支持向量機(jī)(Twin Support Vector Machine,TWSVM)分類原理的基礎(chǔ)上,詳細(xì)介紹LSTSVM的分類原理,并對(duì)標(biāo)準(zhǔn)SVM和LSTSVM算法進(jìn)行實(shí)驗(yàn)仿真,結(jié)果表明,LSTSVM的分類性能好于標(biāo)準(zhǔn)SVM;
  再次,提出基于樣本縮減的LSTSVM(Sample Reduction LSTSVM,SR-LSTSVM)改進(jìn)分類算法。

5、該改進(jìn)算法在1-a-r多分類結(jié)構(gòu)的基礎(chǔ)上,首先計(jì)算“-1”類訓(xùn)練樣本集中每個(gè)樣本到其對(duì)應(yīng)中心的距離。其次對(duì)“-1”類訓(xùn)練集中的樣本按照計(jì)算距離值的大小進(jìn)行升序排序。然后根據(jù)預(yù)縮減率剔除對(duì)應(yīng)中心距離值較小的“-1”類訓(xùn)練樣本。最后將縮減后的“-1”類訓(xùn)練集與原始的“+1”類訓(xùn)練集組成新的訓(xùn)練樣本集來(lái)對(duì)LSTSVM分類器進(jìn)行訓(xùn)練和分類。仿真結(jié)果表明,該改進(jìn)算法可以在有效縮短分類時(shí)間的同時(shí)又基本不影響分類精度;
  然后,提出一種改進(jìn)的

6、融合空間-光譜信息的LSTSVM分類模型。首先使用主成分分析(Principal Component Analysis,PCA)算法來(lái)對(duì)原始數(shù)據(jù)進(jìn)行主成分變換,并對(duì)前三主成分?jǐn)?shù)據(jù)進(jìn)行存取。然后,使用4個(gè)不同尺寸的圓形結(jié)構(gòu)元素(Structure Elements,SE)分別對(duì)前三主成分的每一主成分?jǐn)?shù)據(jù)進(jìn)行形態(tài)學(xué)開(kāi)操作和閉操作,獲得其擴(kuò)展形態(tài)學(xué)剖面(Extended Morphological Profiles,EMP)數(shù)據(jù),EMP數(shù)據(jù)中

7、不僅包含原始高光譜圖像的形態(tài)結(jié)構(gòu)信息,也包含其絕大多數(shù)的光譜信息。隨后,使用Gabor濾波器在第一主成分?jǐn)?shù)據(jù)上獲取紋理信息。最后,將 EMP數(shù)據(jù)與Gabor紋理數(shù)據(jù)進(jìn)行融合,用于LSTSVM分類。仿真結(jié)果表明,該改進(jìn)的LSTSVM分類模型不但可以顯著地提高分類精度,而且還可以降低所要處理的數(shù)據(jù)維數(shù),一定程度上減少了運(yùn)算量;
  最后,將樣本縮減策略與改進(jìn)融合空間-光譜信息的LSTSVM分類模型進(jìn)行結(jié)合,形成改進(jìn)的融合空間-光譜信息

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論