

版權(quán)說明: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),請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、近年來,稀疏表示已成為圖像處理和模式識別研究領(lǐng)域的一個熱點。稀疏表示的重要理論已經(jīng)應(yīng)用到遙感圖像研究,特別是高光譜遙感圖像處理方面。高光譜遙感圖像通過的豐富光譜信息具有更強(qiáng)的分辨能力。同時,高光譜數(shù)據(jù)由于光譜豐富帶來了很多復(fù)雜的因素,如維數(shù)災(zāi)難,數(shù)據(jù)的不確定性和小樣本問題等。而稀疏表示在處理高維數(shù)據(jù)中具有一定的優(yōu)勢。稀疏表示不需對數(shù)據(jù)的分布特征進(jìn)行統(tǒng)計假設(shè),并且在稀疏模型中可以根據(jù)不同情況添加不同的約束條件,使其具有更大的靈活性。
2、> 本文主要將稀疏表示理論應(yīng)用到高光譜遙感圖像分類研究中。采用航拍OMIS-I和星載Hyperion兩類高光譜遙感圖像進(jìn)行稀疏表示方法的分類實驗,并與支持向量機(jī)(Support Vector Machine,SVM)分類方法進(jìn)行對比,驗證稀疏表示應(yīng)用于高光譜遙感圖像分類的有效性。論文的主要研究內(nèi)容如下:
?。?)首先研究分析了稀疏表示理論和方法,建立稀疏表示方法應(yīng)用于高光譜遙感圖像分類的稀疏表示模型。選取樣本構(gòu)建字典,未知像元
3、通過字典進(jìn)行稀疏表示,最后對稀疏結(jié)果進(jìn)行各類別冗余計算,確定未知像元所屬類別。通過與SVM方法對比,證明了在高光譜遙感圖像分類中稀疏表示方法優(yōu)于傳統(tǒng)SVM方法。
?。?)對稀疏模型中稀疏重構(gòu)算法進(jìn)行了研究分析。稀疏重構(gòu)主要采用貪婪追蹤算法、平滑約束模型和聯(lián)合稀疏模型,主要包括正交匹配追蹤( Orthogonal Mctching Pursuit,OMP)、子空間追蹤(Subspace Pursuit,SP)、平滑正交匹配追蹤(S
4、mooth Orthogonal Mctching Pursuit,S-OMP)、平滑子空間追蹤(SmoothSubspace Pursuit,S-SP)、聯(lián)合正交匹配追蹤(Simultaneous Orthogonal Mctching Pursuit,SOMP)和聯(lián)合子空間追蹤(SimultaneousSubspace Pursuit,SSP)。實驗結(jié)果證明了采用稀疏表示方法均比傳統(tǒng)SVM方法精度高。在稀疏表示方法中采用OMP算法效
5、果比SP算法好,但SP復(fù)雜度比OMP算法低,運行效率高;考慮上下文關(guān)系的平滑約束(S-OMP、S-SP)和聯(lián)合稀疏(SOMP、SSP)比基于單像元分類(OMP、SP)效果好;采用平滑約束算法和聯(lián)合稀疏分類效果相差不大,但聯(lián)合稀疏算法復(fù)雜度要比平滑約束要低很多。以 OMSI-I數(shù)據(jù)分類總體精度為例:SVM算法為86.32%,OMP算法為92.51%,SP算法為89.56%,S-OMP算法為93.43%,S-SP算法90.82%,SOMP算
6、法為93.17%,SSP算法為90.84%。
?。?)研究分析了稀疏模型中稀疏字典構(gòu)建方法,主要采用采樣樣本集和K-SVD算法構(gòu)建稀疏過完備字典。實驗結(jié)果證明了采用K-SVD算法構(gòu)建稀疏過完備字典的稀疏表示方法比直接采樣樣本集效果好。以采用 K-SVD算法的 OMSI-I數(shù)據(jù)分類的總體精度為例:OMP算法為93.03%,SP算法為91.95%,S-OMP算法為94.67%,S-SP算法為92.09%,SOMP算法為96.45%,
溫馨提示
- 1. 本站所有資源如無特殊說明,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)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 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. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對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, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 高光譜遙感圖像的稀疏表示分類方法研究.pdf
- 基于稀疏表示和空間約束的高光譜遙感圖像分類方法研究.pdf
- 基于稀疏表示的高光譜圖像分類算法研究.pdf
- 基于稀疏表示的高光譜圖像分類和解混方法研究.pdf
- 基于稀疏表示的高光譜圖像分類和異常檢測研究.pdf
- 基于流形學(xué)習(xí)和稀疏表示的高光譜遙感影像分類研究.pdf
- 基于稀疏表示的高光譜圖像目標(biāo)檢測.pdf
- 基于空譜信息挖掘和稀疏表示學(xué)習(xí)的高光譜圖像分類.pdf
- 基于稀疏表示的高光譜圖像目標(biāo)識別.pdf
- 基于稀疏表示的高光譜圖像解混研究.pdf
- 基于圖像融合的高光譜遙感圖像分類研究.pdf
- 基于結(jié)構(gòu)稀疏表示的高光譜圖像解混.pdf
- 基于稀疏表達(dá)的高光譜圖像分類研究.pdf
- 基于結(jié)構(gòu)稀疏表示的光譜圖像稀疏重建.pdf
- 基于深度學(xué)習(xí)的高光譜遙感圖像分類.pdf
- 基于集成學(xué)習(xí)的高光譜遙感圖像分類.pdf
- 基于多元線性回歸和稀疏化表示的高光譜遙感圖像去噪.pdf
- 基于稀疏表示的高光譜圖像處理技術(shù)研究.pdf
- 基于稀疏表示與低秩逼近的高光譜圖像重建.pdf
- 基于結(jié)構(gòu)稀疏表示的光譜圖像重建.pdf
評論
0/150
提交評論