高光譜圖像的數(shù)據(jù)壓縮與分類算法研究.pdf

1、高光譜圖像是一種特征維度大、像素點眾多的圖像數(shù)據(jù)集，目前對其主要研究工作包括了特征選擇、特征提取、模式分類等等。由于高光譜圖像的數(shù)據(jù)量較為龐大且存在冗余信息，因此對數(shù)據(jù)的特征學習與挖掘有效數(shù)據(jù)點是圖像處理的關鍵。目前主要的特征學習算法包括PCA、LDA等傳統(tǒng)特征學習算法，以及新興且越來越流行的基于深度學習的算法；而對于關注度較低的圖像數(shù)據(jù)壓縮領域，主要的壓縮方法包括基于kNN的篩選算法以及利用Nystr?m的數(shù)據(jù)約減算法。本文以深度學習

2、為基礎，結合了基于kNN的篩選算法、神經(jīng)網(wǎng)絡分類器算法對高光譜圖像進行數(shù)據(jù)壓縮，找到有代表性的少數(shù)數(shù)據(jù)點，對其進行標記并訓練，相比于實際操作中的隨機選點進行標記和訓練，可提供更有效地指導模型的訓練，提高后續(xù)分類操作的準確性；而最后一部分內容則是將廣泛應用于自然圖像識別的卷積神經(jīng)網(wǎng)絡算法進行模型的歸納與推廣，應用于高維度的高光譜圖像分類中。主要工作概括如下：
　　1.本文提出了一種基于多層網(wǎng)絡架構的數(shù)據(jù)壓縮與分類算法，并將其應用于高

3、光譜圖像的數(shù)據(jù)約減與分類，壓縮數(shù)據(jù)的過程中算法可根據(jù)用戶的需求決定每一次壓縮的數(shù)據(jù)量，直到已篩選出的數(shù)據(jù)點滿足能夠良好表示原始圖像中每個像素點的值為止。隨后我們用篩選出的數(shù)據(jù)點構成訓練樣本集，利用SVM分類器對其余數(shù)據(jù)點構成的測試集進行有監(jiān)督分類。
　　2.本文提出了一種基于深度網(wǎng)絡特征的數(shù)據(jù)壓縮表示與分類算法，該方法涉及了流行的深度網(wǎng)絡有關知識，以及神經(jīng)網(wǎng)絡的相關理論，能夠對原始圖像的特征得到更有效的表示，并將這個在新的特征空間

4、下的圖像數(shù)據(jù)利用神經(jīng)網(wǎng)絡分類器跟現(xiàn)有訓練樣本集進行擬合比對，把相似性較低的未標記樣本加入到訓練數(shù)據(jù)中，直到滿足用戶對訓練數(shù)據(jù)個數(shù)的要求為止。隨后利用篩選出的數(shù)據(jù)點以及前期已知的少量樣本構成訓練樣本集，利用SVM分類器對其余數(shù)據(jù)點構成的測試集進行分類。
　　3.本文提出了一種基于卷積神經(jīng)網(wǎng)絡的分類器算法，并將其應用到高光譜圖像的分類中，該算法利用了多層卷積網(wǎng)絡對原始高光譜圖像的訓練樣本集進行特征學習，使用神經(jīng)網(wǎng)絡對這些特征和對應的類