摘要：目前，对高光谱图像分类的研究已经不局限于使用其光谱特征。将空间特征和光谱特征融合的方法已经被公认为一种有效的方法。在以往的研究中一直将融合后的特征视为一文向量进行处理，来提取特征信息用于分类。在本文中介绍了一种新的高光谱图像特征提取的算法。该方法将空间和光谱特征进行融合，与以往的方法不同，用矩阵表示融合后的数据。然后，采用基于矩阵的线性判别分析减少数据冗余。在文章的实验部分通过与其他方法的对比来证明该方法是优于其他算法的。35905
毕业论文关键字：高光谱图像；特征提取；空谱特征融合；数据降文
Ground-objects Classification Based on Hyperspectral Image
Abstract: At present, the research on hyperspectral image classification is not limited to using its spectral characteristics. The method that fusing spatial features and spectral features has been recognized as an effective method. In the past, the fusion feature has been treated as a one-dimensional vector to extract the feature information for classification. In this paper, a new hyperspectral image feature extraction method is proposed. The method is to fuse spatial and spectral characteristics, and use the matrix to represent the fused data, unlike previous methods. Then, matrix-based linear discriminant analysis is used to extract features. Finally, this paper designs an experiment to compare this method with other methods to prove that the method is superior.
Key words: hyperspectral image; feature extraction; space feature fusion; data dimensionality reduction
目录
摘要 1
关键字 1
Abstract 1
Key words 1
1 绪论 1
1.1 应用背景 1
1.2 研究现状 1
1.3 本文内容及结构安排 2
2 高光谱图像分类基础 3
2.1 高光谱图像简述 3
2.2 常见的特征提取方法 3
2.2.1 主成分分析 3
2.2.2 线性判别分析(LDA) 5
2.2.3 多文缩放(MDS) 6
2.3 分类器 7
2.3.1 支持向量机 7
2.3.2 最近邻分类器 8
2.4 分类结果评价标准 9
3 基于矩阵的空间-光谱特征融合的特征提取 9
3.1 空间-光谱的特征级融合 10
3.2 基于矩阵的特征子空间学习(MDA) 10
4 实验 11
4.1 数据集介绍 11
4.2 实验设置 13
4.3 实验结果分析 13
4.3.1 Indian Pines数据集 13
4.3.2 Salinas scene数据集 14
4.3.3 肯尼迪航天中心(KSC)数据集 15
4.3.4 帕文亚大学场景（PUS）数据集 16
4.3.5 SalinasA scene数据集 16
4.3.6 MDA参数分析 19
5 总结 20
参考文献 20
基于高光谱图像的地物分类
1 绪论
1.1 应用背景
在城镇化速度加快的大环境下，城镇的空间结构也时刻发生改变。因为城镇较大并且扩张速度加快，使人们监测城镇变化的难度加大。并且人们还要对城市以及周边的环境进行监测，对环境状况进行评估，记录土地流转的过程。每年对城镇化进行监测和评估给相关部门造成巨大的经济负担。与普通彩色图像相比，高光谱图像的信息量更大。所以用高光谱图像做分类更有优势。除此之外，它还能记录高识别率的空间以及光谱信息。例如，ROSIS传感器有115个光谱通道，空间分辨率为1.3m。所以，利用高光谱图像对监测城镇变化会有很好的成效。 基于高光谱图像的地物分类算法+源代码:http://www.youerw.com/jisuanji/lunwen_34090.html