畢業論文

打賞
當前位置: 畢業論文 > 研究現狀 >

高光譜圖像國內外研究現狀

時間:2019-06-01 22:08來源:畢業論文
高光譜圖像雖然有諸多優勢,但利用它仍有一些難點。主要存在以下兩個難點。第一個是同譜異物。這是由于自然條件的影響,比如陽光照射的角度、物體反光,導致不同類有相同的光

高光譜圖像雖然有諸多優勢,但利用它仍有一些難點。主要存在以下兩個難點。第一個是同譜異物。這是由于自然條件的影響,比如陽光照射的角度、物體反光,導致不同類有相同的光譜特征。另一個問題是數據維數較高。數據維數太高會出現Hughes現象,具體指的是,由于數據維數過高,需要增加訓練集來提高精度,但是增加到一定程度時精度反而會下降。這個問題還會增加等待分類器運算的時長。35905
為了處理第一個難點,提出了很多將空間和光譜特征融合的算法[1]-[3]。這是因為同時研究光譜和空間信息有利于減少離群值的影響。目前空譜特征組合算法可以分為三種:特征級融合、決策級融合、基于正則化的融合。論文網
對于特征級的融合,人們經常獨立提取光譜特征和空間特征,然后將這些特征連接成向量[4],[5],或者在其相應特征上構造多個核函數[6]-[8],然后放入分類器。[9]中提出在結合光譜特性前先使用形態學特征來提取空間信息。然而,這導致非常高的維度特征空間,從而導致分類性能下降,甚至導致過度擬合。為了解決這個問題,內核方法是一種替代方案。在[6]和[7]中,作者為不同的特征構建了不同的內核函數,并且具有低維特征的平滑距離。然而,這種內核優化權重參數的方法是費時的。最近,一個新廣義復合內核框架提出了沒有任何重量參數,分類的結果非常好[8]。
對于決策級融合,是指分別從空間和光譜信息中得到多個結果。在[10]中,作者利用三個空間特征,包括層次共生特征、差異形態學特征以及城市復雜性指數,構建支持向量機(SVM)集合。然而,多個SVM的訓練最優分類非常耗時。
基于正則化的融合是指將規則化的空間信息合并到原始對象函數中。最近,有人提出了一種在維度空間中保留局部空間信息的規則化器[11],這種方法假設來自相同空間鄰居的像素的標簽是相同的。 源¥自%六:維;論-文'網=www.aftnzs.live
為了解決數據維數過高的難點,現在出現很多降低維數算法。通過降維來減少數據冗余,并且提取出不同類的特征。目前,流行的降維方法可分為無監督的方法和有監督法。常見的無監督方法有主成分分析法(PCA)和獨立成分分析法(ICA),還有一種多維縮放(MDS)的算法,將高維數據縮放到低維空間,使其更容易被訓練和學習。有監督法有Fisher線性判別分析(LDA)。PCA是找到投影向量的方差最大化的向量集合,LDA與PCA不同的是要找到一個投影空間使同類之間的數據更加緊密,不同類的數據更加分散,以便更好地進行分類。所以,LDA在數據降維中被使用的更多。在[13]中,引入了正則化的LDA以應對特定的不適當的問題,其中訓練樣本的數量和頻譜特征的數量之間的比例小。非參數加權特征提取[27]是LDA的創造性擴展。它使用了一個不同的標準來判斷各類數據分布的可分性。最近,當訓練樣本不充足時,可以使用已預測的測試集樣本,提出一種半監督的LDA [14]。在[14]中,設計了一種最佳投影矩陣,以保留從未標記樣本推斷的局部鄰域信息,同時最大化從標記樣本推斷的數據的類別辨別。然而,計算不同類別未知樣本之間的聯系程度的高維度矩陣會消耗很大的內存空間。為了緩解這種現象,有人提出了一種自適應方法,僅在特定的測試樣本上構建局部約束,而不是整個未標記的樣本[12]。因此,每個測試樣品都有其獨特的降維尺寸變換矩陣。 高光譜圖像國內外研究現狀:http://www.aftnzs.live/yanjiu/20190601/34091.html
------分隔線----------------------------
推薦內容
双色球走势图带连线