您所在位置： &
&nbsp&&nbsp&nbsp&&nbsp
基于投影寻踪的光谱图像降维算法研究.pdf 76页
本文档一共被下载：
次 ,您可全文免费在线阅读后下载本文档。
下载提示
1.本站不保证该用户上传的文档完整性，不预览、不比对内容而直接下载产生的反悔问题本站不予受理。
2.该文档所得收入(下载+内容+预览三)归上传者、原创者。
3.登录后可充值，立即自动返金币，充值渠道很便利
基于投影寻踪的光谱图像降维算法研究
你可能关注的文档：
··········
··········
高光谱图像数据具有波段多、光谱分辨率高、波段宽度窄、数据量庞大等
特点，因而对地物的描述与测度更加细致，但由此也带来了光谱维数高，处理
难度大，计算量大，实时性差的问题。显然，如何有效地“降维”，将数据投影
到低维空间进行分析是解决这一问题的有效途径。
本文对高光谱图像的降维方法进行了研究，并根据实验需要搭建了基于液
晶可调谐滤波器的光谱图像采集系统。主要工作如下：
1．为满足实验需要，搭建了一个基于液晶可调谐滤波器(LCTF)的光谱图像采
集系统，在不同的场景中进行了多次实验，结果表明该系统所得光谱图像可
以满足研究需要，为具体算法研究提供了必备条件。
2．对常用的高光谱图像降维方法进行了研究，给出了常用的波段选择方法、自
适应子空间划分方法、主成分分析方法的仿真分析。分析表明利用波段选择
和划分数据源的降维方法，依靠单一指标进行波段选择和数据源划分容易损
失有效信息，而主成分分析方法虽然能在保留大部分信息前提下实现有效降
维，但其通常只能反映数据的全局或主要特征，而不能反映局部或细节特征。
3．对投影寻踪方法在高光谱图像降维中的应用进行了研究，分别给出了以偏
度、峰度、Jones矩指标等为投影指标，以遗传算法为优化算法的仿真分析，
仿真结果表明投影寻踪算法能突出数据的局部特征，但实时性较差。
4．提出了一种基于自适应子空间划分的序贡投影寻踪方法，利用自适应子空间
划分优化高光谱图像的分组方式，再应用序贯投影寻踪方法对其实现降维。
仿真表明此方法不但能降低计算时间，进一步突出数据的局部特征，而且能
有效地利用高光谱图像相关性。
关键词：高光谱图像液晶可调谐滤波器 自适应子空间划分降维序贯投
multispectralimages，thehyperspectratimages
bandwidth，thusdescribeand
bands，higherspectralresolution，narrower
measurethe
inmoredetail．Butfor
practicalpurpose，the
dimensionality
burdenistoo
thesis，the
computation heavy．In
dimensionality
arestudiedindetail．The
hyperspectralimages
areasfollows：
contributions
isbasedOil
TunableFilters
system，whichLiquid·Crystal
spectralimaging
constructed．Lotsof
withdifferentscenearecarried
fLCTF)，iS
experiments
正在加载中，请稍后...基于无监督可能模糊学习矢量量化的近红外光谱生菜品种鉴别研究--《光谱学与光谱分析》2016年03期
基于无监督可能模糊学习矢量量化的近红外光谱生菜品种鉴别研究
【摘要】：为解决模糊学习矢量量化(FLVQ)对噪声数据敏感问题,在无监督可能模糊聚类(UPFC)基础上提出一种无监督可能模糊学习矢量量化(UPFLVQ)算法。UPFLVQ用UPFC的隶属度和典型值来更新学习矢量量化网络的学习速率,计算类中心矢量。UPFLVQ属于无监督机器学习算法,适用于无学习样本情况下的样本分类。研究了UPFLVQ用于近红外光谱生菜品种鉴别的可行性。采用FieldSpec@3型便携式光谱分析仪获取波长范围为350~2 500nm的三种生菜样本的短波近红外光谱和长波近红外光谱,然后采用主成分分析(PCA)进行近红外光谱的维数压缩,取前三个主成分,累计可信度达97.50%,将2151维的近红外光谱压缩为三维数据。再运行模糊C-均值聚类(FCM)至迭代终止,并以FCM的类中心作为UPFLVQ的初始聚类中心,最后运行UPFLVQ得到隶属度和典型值以实现近红外光谱的生菜品种鉴别。同时,运行UPFC进行近红外光谱的生菜品种鉴别。实验结果表明:UPFLVQ和近红外光谱技术相结合的模型具有检测速度快,鉴别准确率高,对生菜不造成损坏等优点,可实现不同品种生菜的鉴别。UPFLVQ是将UPFC和FLVQ相结合的聚类算法,利用UPFLVQ建立近红外光谱的生菜品种鉴别模型时无需学习样本,适用于线性可分的数据聚类,为快速和无损地鉴别生菜品种提供了一种新的方法。
【作者单位】：
【基金】：
【分类号】：S636.2;O657.33
欢迎：、、)
支持CAJ、PDF文件格式，仅支持PDF格式
【相似文献】
中国期刊全文数据库
陈兰珍;叶志华;赵静;;[J];食品科学;2008年03期
周莹;徐惠荣;应义斌;;[J];光谱学与光谱分析;2008年12期
李尚禹;陈阳;王春艳;于红;王艳萍;李校堃;;[J];分子科学学报;2007年03期
朱之光，李建平;[J];食品工业科技;1995年02期
;[J];;年期
中国重要会议论文全文数据库
周博;王俊;;[A];纪念中国农业工程学会成立30周年暨中国农业工程学会2009年学术年会（CSAE 2009）论文集[C];2009年
李明;;[A];2009年中国药学大会暨第九届中国药师周论文集[C];2009年
李明;;[A];2010年中国药学大会暨第十届中国药师周论文集[C];2010年
中国重要报纸全文数据库
孙圣;[N];农村医药报（汉）;2006年
谭玉琳;[N];农民日报;2005年
文华;[N];中国中医药报;2004年
谢开飞　通讯员
李斯;[N];科技日报;2009年
&快捷付款方式
&订购知网充值卡
400-819-9993您所在位置： &
&nbsp&&nbsp&nbsp&&nbsp
高光谱图像原型空间中利用几何测量的非监督特征选择剖析.doc 29页
本文档一共被下载：
次 ,您可全文免费在线阅读后下载本文档。
下载提示
1.本站不保证该用户上传的文档完整性，不预览、不比对内容而直接下载产生的反悔问题本站不予受理。
2.该文档所得收入(下载+内容+预览三)归上传者、原创者。
3.登录后可充值，立即自动返金币，充值渠道很便利
你可能关注的文档：
··········
··········
高光谱图像原型空间中利用几何测量的非监督特征选择
摘要：特征/波段选择是克服由高光谱图像高维度造成的“维数灾难”的常用技术。当图像具有未知的现象的特点时，非监督的方法可以被用来选择最有特色和有丰富信息的波段。非监督的特征选择（FS）的效率取决于被优化的标准和数据被表示的空间（例如，特征空间、像素空间、光谱空间等）。此外，初始特征和最佳特征尺寸的确定（被选择的不同频带的最佳数量）是非监督的方法中面临的其他挑战。本文中，我们提出了两种在原型空间（PS）中描述波段的非监督特征选择方法。第一种方法，提出了基于原型空间对角线的正交距离的选择初始特征和在原型空间中使用HySime算法确定最优特征尺寸的一种方法。第二种方法是使用两个由原型空间中波段向量之间的切线角定义的标准，以选择的初始特征和描述波段的相关性。同时，在该方法包含了确定最优特征尺寸。在真实和合成数据集上的实验结果表明，我们的方法更可靠，就产生类的可分性和弗里德曼测试而言，该方法与其他广泛使用的技术相比能一个更好的结果。
关键字：高光谱图像（HSI），最优的特征尺寸，原型空间（PS），非监督的特征选择（FS）
高光谱传感器同时在几十个或数百个狭窄和相邻的光谱波段数据中收集每个像素值。这些数据通常应用如分类、分离、异常检测、目标检测和背景描述的程序中。从实用的角度来看，由于维数灾难，在一个算法中利用所有波段不一定导致结果的改善。也就是说，在高光谱数据分析的背景下，有效的谱带的确定对于现象的简洁表示至关重要。因此，它是最重要的选择独立和信息丰富的波段，使我们能够用一个适当的和可检测的方式呈现对象/类。特别是，非监督特征选择（FS）是伟大的价值是不需要现场现象的先验知识。此外，非监督特征选择可以改善一些非监督的任务，如异常检测，数据存储和传输。因此，最好使用非监督的方式的具有降低数据维度能力的算法。
非监督降维（DR）方法不需要任何先验知识或训练数据。此外，它们不是直接针对优化一个给定的分类任务的精度。在相关文献中，不同的特征选择/提取（FS/FE）方法被归类为2种主要的非监督降维方法。通常情况下，特征提取方法通过使用几个改变原始数据的物理意义的标准将数据维度转换为低维空间。主成分分析（PCA），独立成分分析（ICA），非监督线性特征提取，最大噪声分数（MNF），和小波变换方法都是这个类别的实例。一种非监督的特征提取算法，非负矩阵分解，被用来表示高光谱图像（HSI）并为后续的面向对象分类准备。一系列的特征提取算法进行综述，结合基于对象的分割在高光谱图像分类在[17]。
一般来说，所有的特征/波段选择方法保留高光谱图像的物理意义。非监督的优化方法优化预定义的标准，不管搜索策略阶段，被根据过滤器的方法进行分类。该过滤器的方法独立于任何分类算法的操作，所以在分类过程开始之前，多余的和不相关的特征被省略。基于特征选择的信息理论方法，使用例如相关系数[ 18 ][ 19 ]、熵[ 20 ]、共同信息[ 21 ]，线性预测误差（LPE）[ 22 ]等标准，是过滤方法的例子。此外，监督方法如马氏距离，Bhattacharyya距离等[ 18 ][ 19 ]，也可以通过图像聚类用非监督方法进行估计。这些算法采用的搜索策略，如顺序向前/向后选择（SFS / SBS）和顺序浮动前进/后退的选择（SFFS / SFB）[23]，得到次优的结果，有较高的计算负担。
此外，PCA、ICA、MNF，和基于小波变换的非监督特征选择方法是在[ 24 ] [ 26 ]中提出。还有一些研究人员提出的其他方法，利用计算智能（例如，模糊逻辑，遗传算法，克隆选择），选择信息丰富的波段[ 27 ] - [ 30 ]。另一种通过波段聚类的方法已经在[ 31 ]中进行尝试。一些非监督特征选择算法，基于波段相似性测量的，也在[ 32 ]中被提出。一种基于相似性测度的非监督基特征提取算法在[ 33 ]中被提出，以减少高维度的结构和纹理特征。除了这些方法，在光谱空间中操作还有其他利用像素光谱的几何特性和吸收功能的特征选择方法。这意味着，在吸收区域中的平均像素或群集/类频带被选择为合适的或诊断功能。一个使用这些方法对最著名的算法是tetracorder [ 34 ]。
最近，基于几种端元选择方法，寻找独特的光谱特征，应用于非监督特征选择。这些方法被采用于每个图像波段被表示为一个矢量的像素空间[ 36 ]。这样的空间的维数等于图像像素的数目。例如，几何特征选择（G-FS）[ 36 ]和基于N-FINDR [ 37 ] 操作的线性预测（LP）[ 10 ] 特征选择的方法和正交子空间投影（OSP）[ 38 ]技术分别在这个空间。LP方法也是基于非监督完全约束的最小二乘线性分解（UFCLSLU）方法[ 39 ]在像素空间选择明显特征。由于LP
正在加载中，请稍后...超光谱遥感图像特征提取和分类研究--《华南理工大学》2012年博士论文
超光谱遥感图像特征提取和分类研究
【摘要】：超光谱遥感图像将反映目标的光谱信息与反映目标空间和几何关系的图像信息有机结合,具有“谱图合一”的特点,能够有效地提高对地物的分类和监测能力,已经被广泛应用于资源勘探、环境监测、灾害评估、精细农业、目标识别等领域且应用领域还在不断扩大。随着科学技术的进步,图像光谱分辨率不断提高,所获取的超光谱遥感图像数据量也越来越大,波段间相关性增高。另外,不同的地物可能具有相同的光谱反射(光谱信息),仅从光谱信息上去识别不同的地物很难得到满意的结果。与中低空间分辨率图像相比,高空间分辨率超光谱遥感图像的信息更加丰富,不仅包含地物的光谱信息,而且还包含了地物的大量结构、纹理、形状等细节信息。使用传统方法对超光谱遥感图像进行分类时,存在小样本问题-训练样本不足、参数估计不可靠,导致数据维数灾难等问题的发生。因此,研究超光谱遥感图像特征提取和分类的方法及技术具有重要的理论意义和广阔的应用前景。
本文在对现有的超光谱遥感图像特征提取方法和技术进行分析和研究的基础上,重点研究超光谱遥感图像的光谱特征和空间特征提取方法,并将其有机融合,有效提高超光谱遥感图像的分类精度和效率,主要研究内容及贡献为：
1.针对超光谱遥感图像中的小样本问题,提出了一种结合局部信息和类别信息的半监督特(SELD)超光谱遥感图像征提取方法。该方法将无监督的特征提取方法(LLFE)和有监督的特征提取方法(LDA)有机结合,为超光谱遥感图像的半监督特征提取方法提供了一种新框架。其中超光谱遥感数据的局部邻域信息是通过SELD中无监督部分(LLFE)利用大量无标识样本来提取与保留；而类别信息则通过SELD中有监督部分(LDA)利用少量有标识样本来实现。实验表明SELD在降低超光谱遥感图像的维数的同时,提取和保留了图像中的局部邻域信息及类别信息,能够有效地提高超光谱遥感图像的分类精度和效率。
2.针对高空间分辨率超光谱城市遥感图像,应用了数学形态学矢量的部分重构技术来提取图像中空间信息。利用传统的数学形态学算子进行开和闭运算能够有效的检测图像中的空间信息(图像中物体的大小和形状信息),当结构算子的尺度不断增加时,开和闭运算使得图像中越来越多的物体逐渐的消失,其中结构算子的形状对应于图像中物体的形状,而结构算子的尺度对应于物体的大小。然而,传统的开和闭运算容易引起图像中物体形状的改变。常用的数学形态学重构是一个完全重构的过程,能够很好的解决这个问题,使得图像中物体的形状得以较好的保存。但是随着尺度的增加,图像中一些本该消失小物体因为重构却依然保留在图像中,使得图像中物体的大小信息不能得到很好的利用。应用数学形态学中的部分重构技术,仅对图像中满足一定条件的像素进行重构,随着结构算子的尺度增加,图像中的物体在其对应的尺度中逐渐消失,不仅能保留图像中物体的形状信息,而且能保留物体的大小信息。
3.将光谱信息和空间信息融合并利用数学形态学矢量统一表达,能充分利用超光谱遥感图像的光谱特征和空间形态特征。但矢量维数地不断增加,导致计算量增加和小样本问题的出现。因此提出了一种半监督的数学形态学矢量特征提取方法(GSELD),并首次将半监督的特征提取方法应用到超光谱数学形态学矢量当中。首先利用主成份分析法从超光谱图像中提取若干主成份(特征值累积99%)来充分利用图像的光谱信息,并在选取的每一个主成份中利用不同的结构算子和尺度构造数学形态学矢量。这些矢量中包含了图像的空间信息图像中物体的大小和形态信息。然而所产生的数学形态学矢量是一个高维数据,且冗余度高。GSELD利用有限的训练样本不仅可以从高维的数学形态学矢量中提取出有效的特征,降低数据的维数,而且能够有效地提高各种分类器的分类精度和效率。
4.提出了一种针对超光谱遥感图像的非线性特征提取方法快速迭代核主成份分析(FIKPCA)方法。在实际应用当中,线性的特征提取方法在对数据降维后将会丢失数据中的非线性的特性。而传统的非线性的方法存在运算量大、内存消耗大、计算速度慢等问题。FIKPCA通过迭代的方法来求解特征向量,而不需要对Gram矩阵进行特征分解,可以极大地降低时间复杂度和空间复杂度,从而提高了非线性特征提取方法在超光谱遥感图像处理中的运算效率。
5.提出了一种在非线性特征上构造数学形态学矢量的方法。在利用从高维超光谱遥感图像提取出来的线性特征构造数学形态学矢量时,图像中像素间的非线性关系在特征提取和降维过程中常常被忽略。核主成份作为非线性特征能更好地利用数据中的高阶统计信息和非线性关系,利用核主成份构造数学形态学矢量能明显地提高超光谱遥感图像的分类精度和效率。
本文对超光谱遥感图像的光谱特征提取和分类、空间特征提取和分类进行了深入的研究探讨。提出了结合局部信息和类别信息的半监督特(SELD)超光谱遥感图像特征提取方法和利用数学形态学矢量的部分重构技术的图像空间特征提取方法。将超光谱遥感图像中的光谱信息和空间信息融合并统一表达为数学形态学矢量。针对高维形态学矢量的降维和特征提取提出了一种半监督的数学形态学矢量特征提取方法(GSELD)。对非线性特征,提出了快速迭代核主成份分析(FIKPCA)方法和一种在非线性特征上构造数学形态学矢量的方法。仿真试验和大量实际超光谱遥感图像实验表明,本文提出的特征提取方法效果优于相关方法,能够有效地提高超光谱遥感图像的分类精度和效率。
【学位授予单位】：华南理工大学【学位级别】：博士【学位授予年份】：2012【分类号】：TP751
欢迎：、、)
支持CAJ、PDF文件格式
【共引文献】
中国期刊全文数据库
游屈波;吴耀云;哈章;;[J];电子信息对抗技术;2011年03期
郭金玉;刘玉芹;苑玮琦;;[J];光电子.激光;2012年02期
许淑华;齐鸣鸣;;[J];计算机工程与应用;2012年04期
蔡铁;伍星;李烨;;[J];计算机应用;2008年08期
陈小冬;林焕祥;;[J];计算机应用;2012年04期
游屈波;熊磊;;[J];计算机应用研究;2010年04期
周旭东;陈晓红;陈松灿;;[J];计算机研究与发展;2012年11期
韦艳艳;李陶深;;[J];计算机技术与发展;2012年11期
中国博士学位论文全文数据库
张春霞;[D];西安交通大学;2010年
王开义;[D];北京工业大学;2011年
尹学松;[D];南京航空航天大学;2009年
方育柯;[D];电子科技大学;2011年
张沐光;[D];浙江大学;2011年
沈掌泉;[D];浙江大学;2005年
何灵敏;[D];浙江大学;2006年
王磊;[D];电子科技大学;2007年
李烨;[D];上海交通大学;2007年
蒋晓悦;[D];西北工业大学;2006年
中国硕士学位论文全文数据库
黄少立;[D];西北农林科技大学;2011年
曾丽辉;[D];华东交通大学;2011年
孙宜贵;[D];郑州大学;2004年
战国科;[D];中国计量科学研究院;2007年
杨长盛;[D];安徽大学;2010年
冯伦阔;[D];安徽大学;2010年
李平;[D];中南大学;2010年
曾群芳;[D];华南理工大学;2012年
陈祺;[D];华南理工大学;2012年
【相似文献】
中国期刊全文数据库
刘恒殊,彭风华,黄廉卿;[J];光学精密工程;2001年04期
吴颖谦,方涛,施鹏飞,杜培军;[J];光学技术;2004年02期
G FK M刘心季;;[J];国土资源遥感;1988年02期
刘志敏,杨杰,施鹏飞;[J];上海交通大学学报;1998年09期
朱卫健,夏良正;[J];南京理工大学学报(自然科学版);2005年S1期
郭云彪;张春田;尤新刚;;[J];天津大学学报;2005年12期
李俊山;曹素平;谭园园;;[J];电光与控制;2006年02期
张永梅;韩焱;张建华;;[J];火力与指挥控制;2006年10期
薛俊韬;刘正光;王萍;;[J];仪器仪表学报;2006年S3期
鲁艺;周德云;;[J];弹箭与制导学报;2006年S7期
中国重要会议论文全文数据库
周慧鑫;张爽;牛肖雪;秦翰林;刘上乾;;[A];2011西部光子学学术会议论文摘要集[C];2011年
洪添胜;Michael O.N赵祚喜;;[A];农业工程科技创新与建设现代农业——2005年中国农业工程学会学术年会论文集第三分册[C];2005年
贾永红;邹勤;杨柏林;;[A];《测绘通报》测绘科学前沿技术论坛摘要集[C];2008年
张颖璐;;[A];2011'中国西部声学学术交流会论文集[C];2011年
程玉宝;;[A];光子科技创新与产业化——长三角光子科技创新论坛暨2006年安徽博士科技论坛论文集[C];2006年
刘晓艳;王丽珍;杨志强;陈红梅;;[A];第26届中国数据库学术会议论文集（B辑）[C];2009年
谢志宏;颜巾惠;白羽;魏磊;;[A];全国第五届信号和智能信息处理与应用学术会议专刊(第一册)[C];2011年
冯曦;哈力木拉提·买买提;;[A];少数民族青年自然语言处理技术研究与进展——第三届全国少数民族青年自然语言信息处理、第二届全国多语言知识库建设联合学术研讨会论文集[C];2010年
沙盛中;翁桂荣;秦树伟;;[A];第二十六届中国控制会议论文集[C];2007年
张洋;;[A];2008通信理论与技术新发展——第十三届全国青年通信学术会议论文集（下）[C];2008年
中国博士学位论文全文数据库
廖文志;[D];华南理工大学;2012年
张威;[D];中国科学院研究生院（长春光学精密机械与物理研究所）;2010年
霍承富;[D];中国科学技术大学;2012年
王运;[D];中国科学院研究生院（长春光学精密机械与物理研究所）;2011年
王朗;[D];吉林大学;2009年
才辉;[D];浙江大学;2009年
孔超;[D];东北林业大学;2010年
沈路;[D];浙江大学;2010年
程红蓉;[D];电子科技大学;2011年
刘洪英;[D];华东师范大学;2011年
中国硕士学位论文全文数据库
陈诗国;[D];南京航空航天大学;2011年
范纪铭;[D];苏州大学;2011年
刘雪霞;[D];西安科技大学;2010年
徐喆;[D];西安科技大学;2010年
吴立彬;[D];重庆邮电大学;2012年
马娜;[D];河北大学;2010年
布露露;[D];云南大学;2011年
王恩永;[D];云南大学;2010年
孙宗保;[D];江苏大学;2003年
李庆勇;[D];西安电子科技大学;2001年
&快捷付款方式
&订购知网充值卡
400-819-9993