基于k近邻的高光谱图像分类.doc

  • 需要金币2000 个金币
  • 资料包括:完整论文
  • 转换比率:金钱 X 10=金币数量, 即1元=10金币
  • 论文格式:Word格式(*.doc)
  • 更新时间:2018-05-25
  • 论文字数:9510
  • 当前位置论文阅览室 > 论文范例 > 本科论文 >
  • 课题来源:(模糊的人)提供原创文章

支付并下载

摘要:高光谱图像丰富的光谱信息,使其在目标检测、地物分类、污染防治以及军事侦查等领域都具有重要应用。高光谱图像分类是高光谱图像处理和分析的重要研究内容,倍受研究者的关注。因此如何同时利用高光谱图像的光谱信息和空间信息来改进分类性能成为研究者的关注焦点。为此,研究者在如何有效结合空间信息辅助原光谱特征进行分类方面开展了大量的研究工作。但如何有效、合理利用空间信息仍是该领域的重点与难点。

本文围绕高光谱图像空间信息的有效挖掘与利用展开研究,侧重于空间邻近关系,挖掘出有效的特征信息以及设计结合光谱信息和空间信息的协同分类算法,以此提高高光谱图像分类的精度。为此建立了基于k近邻的高光谱图像分类。其中心思想是:若一个样本在特征空间中的k个最相似的样本中的绝大多数属于一样的类别,则该样本也属于这样的类别。本文在研究的过程中,也对一些其他的高光谱图像分类算法进行了相应的研究,对这些算法进行了相互的对比。最终对AVIRIS数据集进行实验,其结果表明k近邻算法相比较其他算法具有明显优势。

 

关键词:高光谱图像;分类;k近邻算法;空间信息;光谱信息

 

目录

摘要

Abstract

1 绪论-1

1.1 研究背景及意义-1

1.1.1 高光谱图像-1

1.1.2 高光谱图像研究的意义-1

1.2 高光谱图像分类技术的前景-1

1.3 论文主要工作及内容安排-2

2 高光谱图像分类技术-4

2.1 高光谱图像分类简介-4

2.1.1 基本概念-4

2.1.2 主要分类方法-4

2.2 高光谱图像监督分类-5

2.3 高光谱图像非监督分类-6

2.4 分类后处理以及分类精度分析-6

3 k近邻算法理论-8

3.1 k近邻算法的核心思想-8

3.2 k近邻算法的具体步骤-9

3.2.1 k近邻算法的三要素-9

3.2.2 k近邻算法的具体步骤-10

3.3 kd tree的构造-11

4 基于k近邻的高光谱图像分类实验结果分析-13

4.1 实验数据简介-13

4.2 实验数据分析-14

4.2.1 高光谱图像的稀疏表示模型-14

4.2.2 k近邻算法的求解-14

4.2.3 实验数据分析-15

结    论-19

参 考 文 献-20

致    谢-21