【摘 要】
：
对于基于高光谱图像的应用而言,在不降低性能的前提下,选择信息量大且具代表性的波段是大数据环境下一项具有挑战性的任务。波段选择是一种直接有效的降维方法,但是大部分方法忽略所选取波段的有序性与相关性,以及只根据波段排序选择所需的聚类中心数来构造波段子集。此外,对于许多波段选择方法来说,只考虑波段的冗余性会导致有价值的波段丢失。针对上述问题,本文首先研究了子空间划分策略,该策略基于相邻波段具有高冗余的特
论文部分内容阅读
对于基于高光谱图像的应用而言，在不降低性能的前提下，选择信息量大且具代表性的波段是大数据环境下一项具有挑战性的任务。波段选择是一种直接有效的降维方法，但是大部分方法忽略所选取波段的有序性与相关性，以及只根据波段排序选择所需的聚类中心数来构造波段子集。此外，对于许多波段选择方法来说，只考虑波段的冗余性会导致有价值的波段丢失。
针对上述问题，本文首先研究了子空间划分策略，该策略基于相邻波段具有高冗余的特点这一事实，通过最大化类间距离与类内距离之比将高光谱图像立方体划分为多个子立方体，有效避免了获得高相关性子集。通过自适应子空间划分，得到的子立方体可以看作是一个总体框架，即每个子立方体中的代表性波段可以被其他标准选择。基于这一背景，本文提出了两种新的高光谱图像波段选择算法:
(1)基于子空间划分和表示学习的高光谱波段选择。该方法的最大限度地利用类间距离与类内距离之比，将高光谱图像立方体分割为多个子立方体。然后采用自表示学习算法对子立方体进行处理并采用缓存记忆向量去进行波段选择。该方法使样本子集之间的连续性得到了保持。
(2)基于自适应邻域分组和局部结构相关性的高光谱波段选择。通过采用自适应子空间方法对空间中的高光谱图像立方体进行分割，然后利用局部密度和距离因子的乘积对各波段进行排序，选择所需的聚类中心数。最后，通过对不同聚类中的波段进行信息熵和局部结构相关性分析，从每个聚类中选出最具代表性的波段。
最后，在三幅高光谱图像上进行实验仿真来验证提出方法的性能，实验结果表明利用本文方法得到的波段子集有利于图像的分类，无论是整体分类精度还是地物准确率都有较大提高，证明了所提出的算法是一种有效的高光谱数据降维方法。
其他文献
数字化图像是我国网络通讯的重要载体,它在多媒体、电子和网络通讯中扮演了广泛的角色,并且在通讯、医疗等各个方面起到了很大的作用。因此,对于图像加密技术的探索和研究,已经成为安全领域的重要课题。由于图像中的相邻像素之间冗余程度高、数据容量大,当利用传统的图像加密方法进行加密时,其加密效率较低,所以此类方法不适合应用于数字图像的加密。混沌系统以及DNA计算具有的特性,使其恰好适合于图像加密。本文基于目前
无线通信行业的飞速发展,人们更加看重获取信息的质量,对通信速率和质量也提出了更快捷、更准确的要求。在第五代无线通信系统中,如何改善通信的性能提高频谱效率一直是众多研究学者们探讨的焦点问题。索引调制(Index Modulation,IM)是一种可以很好提升系统效率和性能的多维度技术,现已成为一个热门的话题。近些年,针对正交频分复用(Orthogonal Frequency Division Mul
随着人们对信息传输安全性及有效性要求的不断提高,迫切需要在现有硬件条件的基础上提高信息传输量和信息传输效率,并最大限度增强加密算法的安全性。图像作为一种常用的信息载体,具有较强的相关性以及较高的冗余度。然而,常见的加密方法无法满足图像加密的需求,所以需要寻求新的加密算法,并使其兼具安全性和计算速度的要求。压缩感知(Compressed Sensing)作为一种能够以远低于Nyquist定理的速率进
遥感图像包含了大量的地物信息,在军事目标打击、土地监测、植被覆盖检测、森林火灾监控等军用、民用领域有着重要应用价值。但是由于遥感成像过程比较复杂,获得高分辨率的遥感图像并不容易。遥感图像超分辨重建技术就是一种在现有遥感成像技术条件下,利用软件处理的方法,突破成像系统的限制,由低分辨率图像生成高分辨率图像的技术。本文对当今较先进的卷积神经网络超分辨进行研究和改进,具体研究内容及创新点如下:1、提出改
人工智能已经成为当今社会的热点话题之一,这主要归功于深度学习的迅速发展,而卷积神经网络(Convolutional Neural Networks,CNN)是深度学习的重要模型。CNN主要被应用于计算机视觉领域,并在该领域取得了许多优异的成果。大多数CNN都是基于实数表示的,而很少是基于复数表示的。最近研究表明,基于复数表示的网络比基于实数表示的网络具有更好的表达能力,但现有的复数CNN模型存在一
近年来,深度学习凭借其优异的性能在各个领域深受欢迎,以卷积神经网络(Convolutional Neural Network,CNN)、残差神经网络(Residual Networks,ResNet)和密集连接网络(Densely Connected Convolutional Networks,Dense Net)为代表的深度学习网络模型在图像识别领域取得了良好的识别效果。在传统的深度学习中,深
遥感图像成像时,会受到天气、相机运动和大气扰动等因素影响,导致所获得的遥感图像退化,存在一定程度的模糊和噪声。图像复原是对存在模糊和噪声的退化图像复原,从而得到接近原始理想图像的一种方法。遥感图像的降质过程复杂,建立精准的遥感图像退化模型很困难,因此研究遥感图像盲复原算法非常重要。针对遥感图像盲复原时模糊核估计不准确,且复原图像存在振铃效应的问题,本文在图像先验约束的基础上,利用图像盲复原理论研究
最近,高光谱成像技术获得了极大关注,尤其是高光谱图像的分类作为高光谱处理的重要内容更是研究的热点。高光谱图像含有丰富的信息,这一特性使高光谱图像广泛应用于地物分类,而高光谱图像的分类往往仅使用光谱信息,这就很容易造成“同物异谱”或“异物同谱”现象,导致分类不准确;高光谱图像含有丰富的空间上下文信息,所以将光谱信息和空间信息结合成为新的研究热点。为了获得更精确的高光谱图像分类结果,完善现有的分类方法
随着社会的快速发展,人们对信息传输速率要求越来越高,这使得有限的频谱资源变得更加紧张,多进制正交幅度调制(MQAM)具有较高的频谱资源利用率,广泛应用于自适应调制编码技术等领域,可以大大缓解频谱资源紧张的问题。在自适应调制编码技术的应用中,为了减小信令开销以提高传输效率,往往会在接收端进行自动调制方式识别(AMC),所以MQAM调制信号识别具有重要研究意义。近年来,卷积神经网络(CNN)等深度学习
随着汽车领域的不断发展和科技的进步,智能汽车、无人驾驶等技术成为当下的研究热点。车辆识别作为无人驾驶领域的关键技术,迅速成为一个热门研究方向。传统的车辆识别方法多依赖于图像数据,而图像数据作为3D空间的投影,缺少对三维物理空间的结构描述。激光雷达可快速采集空间物体的表面坐标,但由于物体遮挡以及雷达线性扫描原理,造成点云数据具有稀疏性和无序性,使基于点云数据的车辆识别存在挑战性。本文针对上述问题,研