1.2 研究现状
1.3 本文内容及结构安排
在本文中,我们用空间光谱特征融合方法,即特征级融合。然而,这个类中大多数现有的方法都是基于矢量化表示,通过独立提取光谱和空间特征,这可能会失去它们之间的一些内在关系。提出了一个与以往不同的空间光谱信息组合方式,来保持空间以及光谱特征之间的联系。这是此次课题的研究方法,详细的推导将在文章的第三部分进行讲解。
本文结构安排如下:
第一部分是绪论,这一部分主要概述了课题的应用背景以及研究近况。
第二部分是高光谱图像分类基础,这一部分将介绍高光谱图像分类的过程。对一些常见的特征提取方法以及分类器进行讲解,以及阐述如何评价分类结果。
第三部分是对这次主要研究的算法进行详细讲解。
第四部分是实验,介绍了实验用的几个数据集,实验如何设置,并对实验结果进行分析。
第五部分是总结,总结一下对此次课题的优点以及还需要改进的地方。
2 高光谱图像分类基础
2.1 高光谱图像简述
高光谱图像可以用图像模型表示,是一个立方体数据,其中两个方向表示空间特征,另一个是光谱特征。这是一种容易理解并且比较直接的表现信息方式。这种表示方法可以展现出图中物体所在的位置。还有一种表示方式是光谱曲线模型,每个类别都有不同光谱特征。每个高光谱图像的像元能够得到一个连贯的光谱信息。利用光谱曲线可以判断出不同的类别。
高光谱图像并不能和普通相片一样带有颜色,所以要想直观的看到高光谱图像的样子需要使用伪彩色图像。伪彩色图像并不是真实的图像颜色,是根据数据的差别人为标记上的一些颜色。得到高光谱图像需要随机选取出三个光谱带,分别将其灰度化以后根据数据的差别将这三个矩阵分别作为RGB的分量。
一般在分类之前会进行图像校正。由于高光谱图像在拍摄时受自然界的一些影响,会产生几何变形,因为此次课题主要研究的是特征提取的方法,所以实验部分使用的数据集都是已经进行了几何校正。第二步要选取训练集,想要进行分类需要训练集对分类器进行训练,这些训练集都是带标签的。具体的图像标签由相关的专家确定,因此此次课题只需要选择训练集,不需要自己确定标签。第三步对数据特征提取,使其数据特征更加明显,在分类时才能达到更好的分类效果。在特征提取之后,将训练集放入分类器中得到模型。得到模型后的分类器预测未知样本,获得最后的分类结果。
- 上一篇:基于Android的食品溯源系统设计+源代码
- 下一篇:ASP.net+sqlserver校园生活服务网站设计+源代码
-
-
-
-
-
-
-
大众媒体对公共政策制定的影响
酸性水汽提装置总汽提塔设计+CAD图纸
河岸冲刷和泥沙淤积的监测国内外研究现状
乳业同业并购式全产业链...
电站锅炉暖风器设计任务书
java+mysql车辆管理系统的设计+源代码
十二层带中心支撑钢结构...
当代大学生慈善意识研究+文献综述
中考体育项目与体育教学合理结合的研究
杂拟谷盗体内共生菌沃尔...