基于稀疏表示的高光谱分层判别特征学习-电子与通信工程专业论文.docxVIP

学校代码 分 类 号  10701 TP75 学 号 1202121330 密 级 公开 TN82西安电子科技大学 TN82 硕士学位论文 基于稀疏表示的高光谱分层判别特征学习 作者姓名： 梁云龙 领 域： 电子与通信工程 学位类别： 工程硕士 学校导师姓名、职称： 企业导师姓名、职称： 张向荣教授 王晓华高工 提交日期： 2014 年 12 月 Hierarchical Discriminant Feature Learning Methods Based on Sparse Representations for Hyperspectral Image A thesis submitted to XIDIAN UNIVERSITY in partial fulfillment of the requirements for the degree of Master in Electronics and Communication Engineering By Yunlong Liang Supervisor: Xiangrong Zhang Xiaohua Wang December 2014 西安电子科技大学 学位论文独创性（或创新性）声明 秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在 导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标 注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成 果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的 材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说 明并表示了谢意。 学位论文若有不实之处，本人承担一切法律责任。 本人签名： 日 期： 西安电子科技大学 关于论文使用授权的说明 本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究 生在校攻读学位期间论文工作的知识产权单位属于西安电子科技大学。学校有权 保留送交论文的复印件，允许查阅、借阅论文；学校可以公布论文的全部或部分 内容，允许采用影印、缩印或其它复制手段保存论文。同时本人保证，获得学位 后结合学位论文研究成果撰写的文章，署名单位为西安电子科技大学。 保密的学位论文在 年解密后适用本授权书。 本人签名： 导师签名： 日 期： 日 期： 摘要 摘要 I I 摘要 高光谱图像的地物分类是目前高光谱图像处理领域的研究热点，其研究主要 致力于寻找使计算机智能地学习和识别不同图像目标的技术方法，从高光谱图像 中得到有效的图像表示有利于提高高光谱图像地物分类的精度。然而，高光谱图 像分类过程面临的一个主要问题是，原始的特征空间对地物分类问题来说未必是 最有效的特征表示空间。为了解决这一问题，基于稀疏表示模型和空间金字塔特 征学习模型，提出了三种高光谱特征学习方法。利用提出的方法在 Indian Pines， Salinas Scene 和 University of Pavia 三个高光谱数据集上进行了实验，取得了令人 满意的分类精度，同时，也证明了提出的特征学习得到的特征在分类问题上的有 效性。主要的工作总结如下： 1. 提出了一种分层判别特征学习方法对高光谱图像进行分类，该方法改进了 传统的空间金字塔匹配模型，并且在每一层的特征学习中从判别字典中得到稀疏 表示特征，基于得到的稀疏表示特征，通过多层的特征学习，显著的提高了特征 的判别性。此外，该方法也考虑了光谱和空间信息，提高了分层判别特征学习方 法得到的特征的分类性能。 2. 提出了一种基于标度切判据的分层判别特征学习方法，用于高光谱图像的 分类中来。所提出的方法在每一层的特征学习中，对原始金字塔每个层次的特征 进行加权和，形成判别特征。权重是通过标度切判据来求得的，并且从中选取部 分权重来使得加权后的特征更具判别性。在高光谱数据集上进行实验，提出的方 法表现出较高的性能。 3. 提出了一种基于多层信息分化理论的高光谱特征学习方法，运用了基于分 化信息理论的特征聚类方法，将分层特征表示模型得到的特征通过该方法进行精 简，最终得到紧致的有效的特征表示。相对于原始的分层判别特征表示来说，时 间消耗上大大地减少，计算效率得到了提高。 本文的工作得到了国家自然科学基金，教育部新世纪优秀人才支 持计划（NCET-13-0948）等项目的资助。 关 键 词： 高光谱图像分类，多层特征学习，空间金字塔表示，稀疏表示。 论文类型：应用基础研究（或基础研究类） A ABSTRACT 西安电子科技大学硕士学位论文 西安电子科技大学硕士学位论文 III III IV IV ABSTRACT Hyperspectral image (HS