检索结果-内蒙古大学图书馆

作者：宫学亮辽宁工程技术大学

学位级别：硕士

高光谱遥感影像光谱维数众多,信息冗余,仅用光谱向量难以有效、完备地表示高光谱遥感影像的空间和光谱信息,这导致传统基于光谱向量的分类方法对复杂地物类别的分类能力有限。针对上述问题,本文提出了两种在张量理论框架下的基于空-谱... 详细信息

高光谱遥感影像光谱维数众多,信息冗余,仅用光谱向量难以有效、完备地表示高光谱遥感影像的空间和光谱信息,这导致传统基于光谱向量的分类方法对复杂地物类别的分类能力有限。针对上述问题,本文提出了两种在张量理论框架下的基于空-谱张量的高光谱遥感影像分类算法。用高光谱遥感影像中某一中心像素及其邻域范围内所有像素的光谱向量组成的空-谱张量能够更高效地表示该中心像素的空间和光谱信息,将空-谱张量作为分类过程中的基本处理单元有利于高光谱遥感影像地物类别的准确分类。传统支持向量机中的核函数只能处理向量形式的输入数据,输入数据为张量时,只能对张量进行向量化后使用,导致张量数据内部结构信息的损失。本文将张量代数(Tensor Algebra,TB)和奇异值分解(Singular Value Decomposition,SVD)理论相结合,在经典径向基核函数(Radial Basis Function,RBF)的基础上,定义了一种直接以张量为输入数据的张量径向基核函数(Tensor Radial Basis Function,Tensor-RBF)。在此基础上,结合一对一(One-Against-One,OAO)准则设计多类支持向量机(Support Vector Machine,SVM)分类模型完成对高光谱遥感影像的分类。针对空-谱张量低秩、稀疏的特点,在传统基于向量的稀疏表示(Sparse Representation,SR)算法的基础上,结合张量代数理论,提出一种基于张量的稀疏表示(Tensor based Sparse Representation,Tensor-SR)算法。获得维度更低,且完整保留空-谱张量内部结构信息的稀疏表示张量作为后续分类的基本单元。设计可以直接作用于稀疏表示张量数据的多类支持张量机(Support Tensor Machine,STM)分类模型对高光谱遥感影像进行分类。为了能够定性定量的分析本文提出算法在高光谱遥感影像分类过程中的有效性和可行性,分别用本文提出的算法和对比算法对不同传感器获取的不同区域的高光谱遥感影像进行分类对比实验,并通过混淆矩阵计算各地物类别的用户精度、产品精度以及算法总体精度、Kappa系数。实验结果证明,空-谱张量相比单一光谱向量能够更完整地表示高光谱遥感影像像素的信息。此外,本文提出的两种分类算法可以更有效地对高光谱遥感影像的地物进行分类,基于空-谱张量框架的高光谱遥感影像分类具有相当的研究潜力。本论文有图23幅,表11个,参考文献66篇。

关键词：高光谱遥感影像分类空-谱张量径向基核函数支持向量机稀疏表示支持张量机

来源：评论

学校读者我要写书评

暂无评论

基于张量字典学习的高光谱图像稀疏表示分类

引用

光谱学与光谱分析 2025年第3期45卷 798-807页

作者：宫学亮李玉贾淑涵赵泉华王丽英辽宁工程技术大学测绘与地理科学学院辽宁阜新123000

高光谱图像因其蕴含十分丰富的光谱和空间信息已被广泛应用于生产生活的各个领域。为了充分挖掘高光谱图像中蕴含的光谱和空间信息,从高光谱数据固有的三维属性出发,以空-谱张量为基本处理单元,提出一种基于张量字典学习的稀疏表示分类(... 详细信息

高光谱图像因其蕴含十分丰富的光谱和空间信息已被广泛应用于生产生活的各个领域。为了充分挖掘高光谱图像中蕴含的光谱和空间信息,从高光谱数据固有的三维属性出发,以空-谱张量为基本处理单元,提出一种基于张量字典学习的稀疏表示分类(Tensor-DLSRC)算法,以提高高光谱图像分类精度。首先,构建以像素及其空间邻域像素光谱向量组成的像素空-谱张量;其次,将作为训练样本像素的空-谱张量按照不同维度展开成矩阵,并以其列向量均值作为字典原子组成初始化张量字典;同时,在张量稀疏性约束条件下构建张量稀疏表示(Tensor-SR)模型,并利用张量字典学习算法学习一组能够精确刻画该类张量空-谱特征的字靛矩阵;最后,对待分类像素利用Tensor-SR模型求解其空-谱张量的稀疏表示系数张量,根据重构残差最小化原则确定该像素类别。为了分析参数对提出算法分类精度的影响,在进行分类对比实验之前,通过一系列实验分别讨论训练样本数M、邻域窗口尺寸(2δ+1)×(2δ+1)、字典学习阶段的稀疏度μ1和稀疏表示阶段的稀疏度μ2等参数对总体分类精度(OA)的影响。为了验证提出算法的有效性,分别在Indian Pines、Salinas和Xuzhou三个高光谱数据上进行实验,对比分析本算法与基于光谱向量的SRC算法和DLSRC算法、增加邻域空间信息的JSRC算法和DLJSRC算法和基于空-谱张量的Tensor-DLSRC算法等五种算法的分类结果,并采用基于混淆矩阵的平均准确率(APR)、平均精度(PA)、OA和Kappa系数对分类结果定量分析。所提出的Tensor-DLSRC算法在OA和Kappa系数的平均值水平是六种算法中最高的,且具有最小的标准差,说明本算法与五种其他算法相比能够提供更准确且稳定的分类结果。

关键词：高光谱图像空-谱张量稀疏表示张量字典学习张量稀疏表示分类

来源：评论

学校读者我要写书评

暂无评论

基于张量和非线性稀疏的多维信号压缩感知理论与应用

基于张量和非线性稀疏的多维信号压缩感知理论与应用

引用

作者：李斌西安电子科技大学

学位级别：硕士

奈奎斯特采样定理奠定了模拟数据采样的理论基础,在过去半个多世纪的信号处理中肩负着不可替代的使命。但是,对信息的需求增长远超过硬件设备的研发速度,在许多实际应用如视频、高光谱图像、超宽带信号处理中,现有的设备难以满足两倍最... 详细信息

奈奎斯特采样定理奠定了模拟数据采样的理论基础,在过去半个多世纪的信号处理中肩负着不可替代的使命。但是,对信息的需求增长远超过硬件设备的研发速度,在许多实际应用如视频、高光谱图像、超宽带信号处理中,现有的设备难以满足两倍最大带宽的高采样率要求。最近10年来兴起的压缩感知理论(Compressed Sensing,CS)为缓解这一压力提供了可能。压缩感知的核心思想是利用信号自身的稀疏性或可压缩性,通过某种观测方法得到少量非相关的测量值,进而通过优化算法在低采样率的条件下完成精确重构。传感器技术的发展使得需要处理的高维信号越来越多。然而,目前对于压缩感知技术的研究主要集中在一维或二维,对于多维信号则是采用向量化的操作进行处理。在向量化信号的过程一方面容易破坏信号自身携带的某些结构信息,导致在复原中需要加入信号先验,才能获得准确的复原。另一方面,向量化后将增加优化求解的复杂度,影响信号复原的效率。将高维信号表示为张量,在张量形式下进行操作能够在一定程度上保持数据自身的结构。此外信号的稀疏模型大都基于线性稀疏的假设,而实际物理场景是一个复杂的、多要素的、多层次的、具有动态结构和明显地域差异的开放系统,其中的观测对象通常具有高维性、变化性与复杂性等特点。因此,很难通过线性编码获得理想的稀疏度,需要扩展到非线性模型下获得更优好的稀疏性。基于上述考虑,本文以光谱成像为对象,研究了张量和非线性稀疏模型的压缩感知理论与应用,具体工作如下:(1)针对多维的光谱信息获取,设计了一种多路复用的高光谱压缩成像方法及基于张量的空谱字典学习方法和恢复算法。在研究高光谱成像原理的基础上,提出了一种多路复用的高光谱压缩成像方法,能够在一次成像中完成空域和谱域的成像;设计了高光谱图像的张量稀疏编码模型,借鉴向量形式下的字典学习方法,提出张量字典学习的方法,同时获得各个维度上的稀疏字典;最后将张量的方法应用于多维数据的恢复。在三种高光谱数据上进行实验,结果表明:多维字典的学习相对于固定的字典具有更好稀疏表示效果,而且基于张量的恢复算法具有更好的恢复效果,在采样率为6.25%下,相对于传统的正交匹配追踪和基追踪方法,平均PSNR提高了3～4dB,而且耗时减少了一半以上。(2)针对多维信息的压缩获取与复原,基于再生Hilbert空间的再生核构造理论,设计了基于核函数和张量的非线性压缩感知模型。研究基于核函数的非线性压缩感知模型,在稀疏张量研究的基础上,提出了一种基于核函数和张量的非线性压缩感知成像方案;设计了基于张量的最小二乘迭代算法。另外,在训练样本无法获取的情况下,提出了一种自学习的实现方案。在三组由AVIRIS和HYDICE光谱仪获得的高光谱数据的实验,证明了该方法能够在采样率低至1%的情况下,重建的PSNR比正交匹配追踪和基追踪方法高5～7dB。该方法为解决高光谱图像空谱域分辨率难以同时提高,提供了一种可行的方案。(3)针对核空间的字典学习问题,设计了特征空间中的非负核字典学习方法。负值在实际中缺乏直接意义,而非负字典学习得到的字典原子能够反映训练样本的某一类特征,非负的稀疏系数能更好表征信号。在特征空间中,由于引入了复杂的非线性函数,难以获取特征空间中的字典,使得非线性空间中各类运算存在着很大的困难。在研究线性空间中非负字典学习和非负稀疏编码的基础上,提出了特征空间上的核非负基追踪和核非负正交匹配追踪算法,以及核空间中的字典更新方式。在三组由AVIRIS和HYDICE光谱仪获得的高光谱数据上的实验结果表明,用非负核字典学习方法重构的PSNR平均比其他字典要高出0.5～1dB。

关键词：压缩感知空-谱张量非线性稀疏编码高光谱非负字典学习

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：