基于稀疏表示的高光谱图像目标识别-通信与信息系统专业论文.docx

独 创 性 声 明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研 究成果。尽我所知，除文中已经标明引用的内容外，本论文不包含任何其他个人或 集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在 文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。 学位论文作者签名： 日期： 年 月 日 学 位 论 文 版 权 使 用 授 权 书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：学校有权保 留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。 本人授权华中科技大学可以将本学位论文的全部或部分内容编入有关数据库进行检 索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 本论文属于 保密□ ，在 不保密□。 _年解密后适用本授权书。 （请在以上方框内打“√”） 学位论文作者签名： 指导教师签名： 日期： 年 月 日 日期： 年 月 日 I I 摘 要 高光谱图像具有丰富的光谱信息，因此也具有更高的分辨能力。当然，丰富的 光谱信息也给高光谱数据的处理带来了非常复杂的问题，例如高光谱数据处理时间 复杂度很高等，而稀疏表示理论应用于高光谱遥感图像目标识别具有识别率高、处 理速度快等优势，并且稀疏表示不需要对样本分布进行统计和假设，在稀疏表示模 型可以随着应用场景的变化在目标函数中添加不同的限制条件，从而极大的增大算 法的适应性，因此稀疏表示已经被广泛的应用于高光谱遥感图像处理方面。 本文主要是利用稀疏表示理论对高光谱遥感图像进行目标识别，采用了三个实 际高光谱遥感图像进行稀疏表示方法的识别实验，并且与支持向量机和随机森林方 法进行对比，验证稀疏表示应用于高光谱遥感图像识别的有效性。论文的主要研究 内容如下: (1)首先分析了稀疏表示算法目前常用的理论方法，针对现有方法存在的重构残 差大和字典原子设置的问题，结合 KSVD 和 LARS 算法，提出了一种改变字典长度 的特征字典训练方法。该算法可以很好的解决 OMP 算法计算步伐太大、侵略性太强 的问题，也可以很好地避免字典原子数量设置的问题。 （2）对稀疏特征识别算法进行了研究分析，提出了一种基于稀疏表示的最大稀 疏识别算法。该算法通过模拟人脑神经元，利用特征字典和训练样本之间的相关性 进行识别。并通过实验结果证明了该算法优于 SVM 和随机森林方法。 （3）针对噪声会对信号的光谱特征造成很大的影响，提出了一种基于稀疏表示 与多尺度信息的高光谱图像目标识别算法。由于传感器和自然界的一些干扰，会影 响稀疏特征和样本之间的相似性，因此单纯利用光谱特征进行识别很容易造成误检 和漏检，考虑到高斯变换可以去掉信号的某些噪声，所以使用多尺度信息可以很好 的预防该类问题的发生。 关键词：稀疏表示；高光谱图像目标识别；特征字典 II II Abstract Hyperspectral image has the ability to acquire rich spectral information. Because of the rich spectral information, it’s possible to address various additional applications requiring very high recognition capabilities in the spectral domain. Meanwhile, its rich spectral bring many complex factors, such as the complexity of data processing. The sparse representation has obviously advantages in high dimension, such as the high recognition rate and fast processing speed. In addition, distribution characteristics of the observed data are not necessarily assumed for sparse representation algorithm. Moreover, under different situation, special constraints could be introduced to sparse representation model, so the flexibility of the model is increased. The important theory of sparse re