一、高光谱中的Hughes现象与低通滤波器的运用（论文文献综述）
郑婉宁[1]（2021）在《基于注意力机制和空谱结合的高光谱图像分类方法研究》文中进行了进一步梳理
叶楠[2]（2021）在《基于改进粒子群的高光谱波段选择及空谱联合分类算法研究》文中研究表明高光谱遥感数据中包含了地物大量的光谱维与空间维信息,可提供更加精细化的地物类别区分依据。然而,星载/机载采集到的全波段高光谱遥感数据占用存储空间较大,难以进行快速处理,同时会产生“Hughes现象”导致分类精度下降;另一方面,受载荷传输和计算机处理速率的限制,难以实时处理较多谱段的分类,因此,波段选择研究和基于较少的特征谱段数据进行高精度的高光谱目标分类识别具有重要意义,同时现有的分类研究方法中大多数只考虑图像谱段信息,忽略了地物分布在空间上存在较强关联性这一特点对分类预测结果的重要影响。针对以上问题,本文通过粒子群优化方法对高光谱遥感数据进行波段选择处理的同时构建了空间信息提取模型,提出了基于改进粒子群的波段选择方法和基于空-谱联合的分类方法,具体研究内容如下:1)针对星载/机载高光谱数据波段选择问题,提出了一种基于改进粒子群优化的波段选择方法,并将其应用到高光谱图像数据波段选取中。选用三组真实高光谱数据集,分别将利用传统粒子群、模拟退火-粒子群、遗传-粒子群与本文提出的改进粒子群算法获得的高光谱波段子集输入到KNN分类器中进行仿真验证与分析。其中,本文提出的波段选取方法在三种数据集中分类精度最高,在Indian Pines数据集中,代表稳定性的方差值为0,分类精度为86.94%;在Salinas数据集中,方差为5.05×10-6,分类精度为90.18%;在Long Kou数据集中,方差为0,分类精度为96.85%。2)针对传统分类方法中空间信息利用不足问题,提出了一种空-谱联合分类方法,利用欧氏距离和空间重构值构建了空间信息提取模型,获取邻域空间区域中心像元重构值,再结合波段选择后的波段子集信息,利用KNN分类器进行分类仿真验证,最后再将分类结果进行数学形态学滤波处理。最后对比了仅含空间、仅谱段、空-谱联合信息分类以及空谱联合结合形态学滤波处理方法,其中,在Indian Pines数据集中,其分类精度可达91.37%;Salinas数据集中的分类精度可达92.10%;Long Kou数据集中的分类精度可达98.56%。综上所述,本文设计了基于改进粒子群算法的波段选取方法和空-谱联合的分类方法。首先采用改进粒子群算法对高光谱数据进行波段选择,再利用空间信息提取模型获得地物空间特征,最后将波段选择后的波段子集与空-谱联合特征作为分类器的输入源进行分类,并将最后的结果用形态学滤波进行矫正,完成了以少量波段表征全波段信息的地物高精度地物分类的任务,通过与其它方法的对比结果,验证了本文算法的优越性,相应的结论可为高光谱图像处理研究领域提供一定的参考价值。
张永鹏,张春梅,白静[3]（2020）在《基于DenseNet-Attention模型的高光谱图像分类》文中提出针对高光谱图像标记样本量少,提取特征不充分以及提取到的特征不区分贡献度的问题,提出一个新型的DenseNet-Attention网络模型（DANet）。首先,该模型利用三维卷积核同步提取联合光谱空间特征,同时密集连接网络（DenseNet）的稠密连接块除了能够充分提取更加鲁棒的特征外,还减少了大量参数;其次,自注意力（self-attention）机制作为一个模块加入到稠密连接块中,可以使上层提取到的特征在进入下一层网络之前,经过该模块对其进行权重分配,使具有丰富的物类别信息的特征得到加强,进而区分特征的贡献度。网络模型以原始高光谱图像邻域块作为输入,无需任何预处理,是一个端对端学习的深度神经网络。在印第安松树林和帕维亚大学数据集上进行对比试验,网络模型的分类精度分别能够达到99.43%和99.99%,有效提高了高光谱图像分类精度。
杨晓婕[4]（2020）在《基于深度学习的高光谱图像分类》文中提出高光谱图像具有光谱分辨率高且图谱合一的特点,近年来对高光谱数据的分析与处理已经成为遥感影像研究领域的热点之一。高光谱图像分类任务在地质勘探、农作物检测、国防军事等领域都发挥着重要的作用,需要更加深入的研究。深度学习具有优异的提取数据本质特征的能力,本文为提升高光谱图像的分类精度提出了两种基于深度学习的分类方法,主要研究内容如下:（1）提出了一个可用于高光谱图像降维的双分支耦合网络,该网络由一维卷积耦合网络分支和词嵌入耦合网络分支构成,可实现由类标空间到降维表示空间的映射并可为降维输出引入聚类特性。实验表明,聚类特性的引入增大了类间的判别性、缩小了类内差异,减少了因“同物异谱,异物同谱”所致的错分像素点的数目,进而提升了分类精度。（2）针对双分支耦合网络,提出了相应的损失函数及基于贪心策略的迭代交替网络训练方法。损失函数中包含分类损失和用于为降维输出引入聚类特性的聚类损失,该训练方法依据贪心算法,通过交替最小化分类损失和聚类损失,迭代地求取网络参数的局部最优解,使得整个网络模型的参数逐步达到全局最优。实验显示,基于所提方法训练双分支耦合网络可得到有利于分类的降维表示。（3）提出了一种基于生成式类别概率分布的高光谱图像分类方法。在该方法中提出使用高斯分布表示训练样本的类别信息,并将得到的类别概率分布向量样本作为真实样本输入生成对抗网络。生成器可通过对真实样本的学习来生成类别概率分布,进而实现对高光谱图像的分类,判别器在训练的过程中只需要判别数据来源的真假。同时,提出了采用半监督的网络模型对类别概率分布向量样本以及无标记样本进行学习。不同于多数方法将训练样本的类标信息作为条件信息输入生成对抗网络,在该网络模型中,将以无监督方式提取的空间光谱特征作为条件信息输入网络,从而利用无标记样本。在多个高光谱数据集上的实验显示,该方法解决了将生成对抗网络应用于多分类任务时,判别器既要判别样本的真假又要对样本进行分类的问题,有效地提升了分类效果。
马云梅[5]（2020）在《基于国产多源高分遥感的广西红树林种间分类研究》文中指出红树林生态系统是海岸带重要生态系统,具有维护海岸带生态系统生物多样性、促淤固滩、净化水质和维护沿海地区生态安全等功能,同时对全球环境和气候具有重要指示意义。广西壮族自治区作为我国单位长度海岸线上红树林分布面积最大的省份,其红树林湿地景观独特,在维护生物多样性和滨海湿地生态系统平衡中起到重要作用,具有重要研究意义。准确了解各区域红树林种类有助于红树林的资源调查、保护和利用。目前关于广西红树林遥感识别与监测,主要侧重大尺度红树林分布面积调查和小尺度下的红树林生物物理参数研究。尚缺少广西红树林大尺度的种间精细分类,因此,迫切需要使用高分遥感影像数据开展红树林种间精细分类研究,为广西壮族自治区红树林管理、保护和重建提供技术与数据支撑。本文基于高分一号（GF-1）、高分二号（GF-2）、高分五号（GF-5）和大疆（DJI）无人机等国产多源遥感数据,开展广西红树林种类遥感研究。以2018年GF-2数据为数据源,在红树林种间精细分类方法研究中,提出了一种现场样本与分割对象相结合的红树林种间分类方法（OBSO）。基于GF-5高光谱数据,从特征提取和波段选择两个角度开展高光谱数据降维方法研究,提出了基于子空间划分与最小噪声分离相结合的特征提取方法（SMNF）和基于子空间划分、最佳指数因子与图像导数相结合的波段选择方法（SOIFID）,并以茅尾海红树林为例验证其有效性。在OBSO分类方法的基础上,以20172019年GF-2 PMS多光谱遥感影像数据为主要数据源,采用SVM分类器对广西红树林湿地典型植被开展精细分类和空间分布研究。本文主要研究成果和结论如下:1.基于GF-2和DJI数据,针对国产高分遥感分类方法研究发现:本文提出的OBSO分类方法所得的分类效果最佳,总体精度为93.15%。其有效避免了“椒盐”噪声,整体视觉效果有了很大的提升,相比于基于像素的分类方法,面向对象的分类方法更适用于高空间分辨率遥感影像。2.基于GF-5和DJI遥感数据,通过对四种降维方法对比分析,发现自动子空间划分可以有效降低信息冗余,最佳指数因子波段组合降维方法和图像导数运算有助于提高高光谱红树林种类识别精度。其中SOIFID组合式降维方法所得分类结果总体精度最高,为94.30%,比SMNF降维方法提高了3.94%,可以看出,对于典型湿地生态系统红树林种间精细分类,波段选择降维方法比特征提取降维方法更适用。3.基于GF-2、GF-1和DJI遥感数据,对广西红树林综合监测得出:1)截至2019年11月广西现存红树林总面积为7376 ha。主要分布于河口和港湾区域,整体分布均匀,局部差异较大。2)广西红树林分为8类,分别是桐花树、白骨壤、红海榄、无瓣海桑、秋茄、木榄、老鼠簕和一种盐沼草本植物茳芏。桐花树和白骨壤作为广西红树林的优势种,面积为广西红树林总面积的90.74%,同时也是先锋物种,适应性强,常大面积连片分布于红树林外滩。3)桐花树和白骨壤在广西海岸带整体分布均匀,但局部差异较大;无瓣海桑作为外来物种,主要分布于茅尾海北部沿岸和廉州湾的南流江入海口东侧;红海榄大面积纯生区存在于山口红树林国家保护区;秋茄分布面积很小,仅在珍珠港沿岸有一小片长势非常好的纯生林;木榄作为红树林的后期演替物种,多分布于红树林内滩,主要分布在珍珠港;老鼠簕仅在茅尾海尖山镇大新围村沿岸受潮汐影响的水沟两侧有小面积连片分布;茳芏作为一种盐沼植物主要分布于茅尾海,且在茅尾海分布范围较广,常与桐花树混生。4)北仑河口和山口红树林国家级自然保护区的红树林总面积分别是1050.14 ha和635.43 ha,茅尾海自治区级红树林保护区红树林面积为1557.00 ha。5)以山口红树林保护区为典型区域进行红树林种类变迁分析。20072017年间,山口保护区红树林种类均为白骨壤、桐花树和红海榄,相比于2007年,2017年山口保护区红树林总面积减少了46.68 ha,其中白骨壤减少了116.50 ha,桐花树增加了68.32 ha,红海榄仅增加了1.40 ha,各红树林种类的变化主要发生在丹兜海区域。红树林内部斑块扩张明显,破碎程度加剧,景观聚集度以及连通性不断降低。引起红树林变化的主要原因是极端天气和人类活动。
张友强[6]（2020）在《基于弱监督集成学习的高光谱图像分类方法研究》文中认为高光谱遥感影像包含连续的光谱波段和丰富的空间信息,它在许多领域有着广泛的应用。而分类任务往往是其他应用的一个基础性工作,因此,如何提高分类精度是当前研究的一个重点。在近些年,一些传统的机器学习方法已广泛地用于高光谱图像分类并取得了较好的结果;最近,基于深度学习的方法在高光谱图像分类中取得了显着的效果。一般来说,这些方法需要大量的标记样本来训练可靠的分类模型。然而,当标记样本较少时,其分类结果往往不能满足要求;此外,标记遥感图像需要专业知识,对遥感图像进行人工标注需要花费大量的人力成本和时间开销。针对上述问题,本文从弱监督学习和集成学习出发,分析了弱监督学习和集成学习在高光谱图像分类中存在的问题;然后,本文结合高光谱数据的特点对分类模型或算法进行改进。最后,本文将弱监督学习和集成学习统一在一个框架下进行高光谱图像分类。本文的主要工作概括如下:（1）提出了基于级联随机森林的高光谱图像分类方法,该方法将两种不同的增强方法嵌入到随机森林中来提高分类精度。为了克服Boosting容易陷入过拟合的问题,本文使用袋外误差来更新样本的重采样权重;为了选取更有效的特征来建立模型,本文提出了基于邻域粗糙集的层次随机子空间方法来选择特征。（2）提出了基于主动半监督随机森林的高光谱图像分类方法,该方法同时将主动学习和半监督学习嵌入随机森林中来提高模型的性能。为了避免主动学习模型带来的偏差,本文采用聚类技术来挖掘光谱数据的内在结构信息进行数据划分;为了充分利用空间信息,本文将光谱-空间约束构造新的主动学习查询函数,提升了样本选择的判别性。（3）提出了基于多视图随机旋转集成剪枝的高光谱图像分类方法,该方法以多视图学习构造集成分类器来提高模型的泛化性能。为了提高集成学习中基分类器之间的差异性,本文采用相关分析的光谱特征进行多视图划分并引入随机旋转增加基分类器的多样性;为了删除冗余的基分类器,本文使用了集成剪枝方法来对分类器进行剪枝。（4）提出了基于多视图标签传播集成的高光谱图像分类方法,该方法利用多个图标签传播来提高传播结果的可靠性。为了充分利用空间信息,本文采用形态学特征来构造图表示。为了缓解单一图模型的不稳定性;本文利用不同图的标签传播结果进行融合来获取未知样本的标签。为了验证本文所提出方法的有效性,本文在多个真实的高光谱数据集上进行了实验。实验结果表明,本文所提出的方法相比于同类算法具有更好的分类精度;特别是在标记样本数量较少时,本文提出的方法对分类精度的提升是显着的。
王超[7]（2020）在《基于集成学习的高光谱遥感影像分类算法研究与应用》文中进行了进一步梳理高光谱分类是指从远处充分利用地物反射的密集的光谱信息,对地物进行判别归类的一种遥感技术,具有广泛的应用前景。高光谱图像具有光谱维度高、样本数据少的特点,易产生同类地物光谱变异和同谱异物等现象,这些给分类问题带来极大的挑战。传统的分类模型基于“相似的光谱具有相同的类别”这一假设。通常情况下,没有一个单一的分类器是万能的,同样的高光谱数据在不同的分类器模型下会产生不同的分类结果。对于神经网络的学习方法,首先,需要解决高光谱数据短缺的问题。其次,更具有挑战性的问题是设计网络结构并对分类结果做出合理解释。对于现有的集成学习分类方法,往往单独地使用多个分类器模型机械地结合,或者通过Boost方式对基分类器不停地迭代。为了解决该问题,本文的研究通过将级联和并联的集成思想结合,提出多阶段集成学习,从而提高模型的整体分类效果。首先,从分类器差异性和互补性的定量指标度量的角度,针对特定的数据集筛选出三个匹配指数最高的机器学习分类器。然后,将筛选出的三个分类器作为三级基分类器。多阶段集成学习的第一阶段就是根据每一个三级基分类器的特点,通过多核学习的方式、不同参数下的集成或者Boost线性组合方式集成得到三个二级分类器。多阶段集成学习的第二阶段就是将二级分类器通过各自的总体精度的反馈机制得到权重矩阵,融合得到一级分类器。在三个开源的高光谱数据集上选择小的训练样本进行实验,结果表明:一级分类器的总体分类精度、平均分类精度和Kappa系数的三个评价指标都有较明显地提升。同时,训练样本集从5%逐步增加到80%,本文中的多阶段集成分类器的分类性能随着训练样本的增加稳步提升。最后,将上述的多阶段集成学习分类方法应用于实际类别较复杂的雄安新区农作物分类中,实验结果均表明上述三个分类器评价指标有较大的提升。将本文中的多阶段集成方法与通过卷积神经网络分类得到的分类结果对比,从时间的性价比上来说,本文的方法具有较大的优势。
陈瑶[8]（2020）在《基于高光谱显微系统的癌细胞鉴别》文中指出癌症具有成因复杂,致死率高、治愈率低等特点,是人类目前尚未攻克的一个医学难题。从微观层面上对癌细胞进行病理学研究,有助于科研人员更加深入地了解癌症的成因及治疗方法。为了快速识别组织中癌细胞并了解其分布情况,本文利用高光谱显微成像技术,对组织切片中的正常细胞和癌细胞进行光谱采集,并依靠其光谱信息和空间信息建立数学模型,对细胞种类进行鉴别,进而了解癌细胞的分布情况并实现癌细胞的精准快速检测。医学研究表明癌细胞因不受限制的复制和增殖,会导致DNA异倍体出现,细胞核增大且畸变,DNA和RNA含量比正常细胞显着增高。针对这些差异,本文分别提出了采用H&E染色剂和DAPI染色剂对细胞进行染色,使得这些差异能够通过染色后的光谱展示出来,从而实现对正常细胞和癌细胞的鉴别。本文首先利用癌细胞DNA和RNA含量升高引起的p H值变化会导致H&E染色变化的特点,通过建立癌细胞和正常细胞的透射光谱差异,结合支持向量机自适应算法,实现对癌细胞的鉴别。考虑到细胞核内染色质不均匀会导致各处p H值不一样,本文在癌细胞鉴别实验中首次引入了核内DNA分布均匀度作为修正参数,使癌细胞鉴别的灵敏性和特异性分别达到99%和98%。为了进一步优化,本研究采用DAPI染色剂替代H&E染色剂对组织染色并使用高光谱技术对癌细胞鉴别,DAPI对DNA浓度和DNA/RNA比例极其敏感,因此其荧光光谱能够有效反应出癌细胞核和正常细胞核的差异,本研究表明利用此方法对100组癌细胞进行鉴别的灵敏性和特异性均为100%。
范雷东[9]（2018）在《基于张量的高光谱图像空谱域特征描述算法研究》文中提出由于高光谱图像具有成像波段数多、数据量大、冗余度高等特点,所以如何高效地描述高光谱图像的特征信息成为当前高光谱图像处理与分析的热点之一。传统的高光谱图像特征描述方法主要基于对光谱曲线的分析,但是高光谱图像的“同物异谱”和“同谱异物”的问题降低了传统特征描述算法的准确性和鲁棒性。为此,近年来高光谱图像的空谱域特征描述算法获得了国内外研究者的广泛关注。本文针对高光谱图像的空谱域特征描述算法展开研究。为了充分利用高光谱图像的空域和光谱域的信息,本文利用张量数学建立高光谱图像的空谱域张量模型,该模型将高光谱图像视为一个各向异性数据立方体,既没有破坏高光谱图像的光谱域独立性,又没有忽略高光谱图像的空间域特征。在此模型的基础上,本文提出了两个高光谱图像的空谱域特征描述算法:（1）提出了一个基于张量梯度的高光谱图像空谱域SIFT描述算法,简称为TGSIFT描述算法。首先在高光谱图像张量模型的基础上给出高光谱图像张量梯度的定义;然后计算中心点邻域内各个像元的张量梯度,为了增加描述矢量的信息量,利用四象限反正切三角函数对张量辐角进行映射;最后建立张量梯度统计直方图,并将张量梯度统计直方图转化为一维描述矢量作为中心点的描述。为了验证TGSIFT描述算法的有效性,本文将TGSIFT描述算法用于高光谱图像的匹配实验中,实验结果表明TGSIFT描述算法在尺度、光照、噪声、旋转、仿射等变化下具有良好的鲁棒性。本文还将TGSIFT描述算法用于高光谱图像的分类实验中,实验结果表明,TGSIFT描述算法能够充分挖掘高光谱图像空间域与光谱域蕴含的丰富信息,并能显着提高高光谱图像的分类准确率。（2）提出了一种基于张量的高光谱图像空谱域局部二值模式描述算法,简称TSSLBP描述算法。首先对高光谱图像的张量模型进行张量分解,以获得更加精炼的有用信息;然后对高光谱图像的空谱域联合分布函数进行研究;接着设计了一种高光谱图像空谱域上的局部二值模式编码方法,设计了高光谱图像模3纤上的二值化编码和高光谱正面切片上的局部二值编码方法,并将它们进行融合形成高光谱图像空谱域联合局部二值模式编码;最后通过直方图统计方法形成高光谱图像空谱域联合局部二值模式编码描述矢量。TSSLBP描述算法将空间域与光谱域进行联合分析,能够对高光谱图像的空间域以及光谱域纹理信息进行丰富表征。为了验证TSSLBP描述算法的有效性,本文将TSSLBP描述算法用于高光谱图像的分类实验中,实验结果表明,TSSLBP描述算法能够充分利用空间域信息与光谱域信息,能显着提高高光谱图像的分类准确率。总之,鉴于高光谱图像空谱域特征描述算法对图像分类、目标探测等领域具有的重要意义,本文利用张量数学理论对高光谱图像的描述算法做了初步探索,提出两个空域域特征描述算法,并在真实数据集和公开数据集上做了实验,验证了算法的有效性。本文的工作为高光谱图像特征描述算法乃至高光谱图像处理与分析的理论与方法提供了新的思路。
李群[10]（2018）在《基于MLR和空谱特征的遥感图像分类方法研究》文中指出航天遥感技术的迅速发展为气候、地貌和海洋等相关领域的研究提供了大量直接有效的素材,相关科研工作的主要任务常常是对遥感图像的分析和处理。但是由于卫星遥感图像（尤其是高光谱数据）信息量大,部分信息（如气象遥感数据）的时效性强,遥感图像的人工分析处理的效率低且成本高,如果采用图像处理方法对卫星图像进行分类将大大提高工作效率。目前的许多方法通过多种分类算法和特征提取技术的组合,已经实现了将图像中的景物比如云团、山脉、河流、海洋等进行分类,得出相对准确的分类结果。结合当前的图像分类方法,本文针对现有的遥感图像处理和分析方法进行了研究,提出了一种基于MLR和空谱特征的遥感图像分类方法。相对于以往的基于支持向量机和像素级特征的分类方法,本文算法具有以下几方面的优势:1.本文提出了一种基于OIF的波段选择算法。在原有的OIF算法基础上,对原始波段数据集进行初选,通过评价指数将噪声波段或图像结构不清晰的波段去除。通过设置筛选阈值限制初选结果,从而将原数据集的波段数控制在一定范围之内,然后使用计算量较大的OIF方法对剩余波段进行选择,最后得到最佳波段组合用于分类。由于使用了计算速度较快的初选算法,使OIF算法的计算量大大降低,提高了算法的计算效率。2.本文提出了一种基于区域的空间特征数据集的构造方法。对原始波段数据使用基于熵率的超像素分割方法,将原图像分割成分布均匀、结构紧凑且边缘贴合度高的超像素块。然后计算图像各区域的方差作为该区域的空间特征用于后续分类。相对于基于像素的分类方法,本文使用的方法充分利用了像素的空间结构信息,将具有相似区域特征的像素作为同质对象进行处理,在一定程度上减少了计算量,同时保证了空间结构信息的完整性。3.本文使用了一种基于广义合成核的多元逻辑回归分类方法。在构造核函数时同时考虑空间和光谱两种特征。由于广义合成核具有极高的灵活性,可以根据需要对其进行扩展,即引入多种特征信息以提高分类精度,在本文中使用空间和光谱两种特征信息。在计算效率方面,由于核函数结合了映射和内积计算的性质,高维向量的内积运算得到简化。另一方面,该方法相对于一般的基于支持向量机的分类方法具有更短的训练和分类时间,实验数据表明,该方法具有比传统支持向量机方法更高的分类效率和精度。
二、高光谱中的Hughes现象与低通滤波器的运用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、高光谱中的Hughes现象与低通滤波器的运用（论文提纲范文）
（2）基于改进粒子群的高光谱波段选择及空谱联合分类算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 高光谱数据降维的研究现状 |
| 1.2.2 高光谱图像分类的研究现状 |
| 1.2.3 基于空-谱联合方法高光谱图像分类的研究现状 |
| 1.3 主要研究内容和结构安排 |
| 第2章 高光谱图像的降维与分类方法 |
| 2.1 引言 |
| 2.2 基于传统粒子群优化算法的波段选择 |
| 2.2.1 传统粒子群优化算法的简介 |
| 2.2.2 波段选择的目标函数选择 |
| 2.3 传统的高光谱图像分类算法 |
| 2.3.1 高光谱图像分类流程 |
| 2.3.2 最近邻分类算法简介 |
| 2.3.3 分类精度评价指标 |
| 2.4 高光谱数据简介 |
| 2.4.1 印第安纳数据集 |
| 2.4.2 萨利纳斯数据集 |
| 2.4.3 龙口数据集 |
| 2.5 本章小结 |
| 第3章 基于改进粒子群优化算法的高光谱波段选择研究 |
| 3.1 引言 |
| 3.2 基于改进粒子群优化算法的高光谱波段选择研究 |
| 3.2.1 模拟退火算法 |
| 3.2.2 遗传算法 |
| 3.2.3 基于改进粒子群优化算法的高光谱波段选择 |
| 3.3 基于改进粒子群算法的高光谱波段选择仿真实验 |
| 3.3.1 基于Indian Pines数据集的仿真实验 |
| 3.3.2 基于Salinas数据集的仿真实验 |
| 3.3.3 基于Long Kou数据集的仿真实验 |
| 3.4 基于子空间划分的改进粒子群高光谱图像波段选择仿真实验 |
| 3.4.1 基于Indian Pines数据集的仿真实验 |
| 3.4.2 基于Salinas数据集的仿真实验 |
| 3.4.3 基于Long Kou数据集的仿真实验 |
| 3.5 本章小结 |
| 第4章 基于空-谱联合的高光谱图像分类方法研究 |
| 4.1 引言 |
| 4.2 空间特征的提取 |
| 4.2.1 基于欧氏距离的信息特征 |
| 4.2.2 基于空间重构的信息特征 |
| 4.3 基于空-谱联合的高光谱图像分类仿真实验 |
| 4.3.1 基于Indian Pines数据的空-谱联合分类仿真实验 |
| 4.3.2 基于Salinas数据的空-谱联合分类仿真实验 |
| 4.3.3 基于Long Kou数据的空-谱联合分类仿真实验 |
| 4.4 基于数学形态学的分类图像滤波处理 |
| 4.4.1 数学形态学基本算子 |
| 4.4.2 基于数学形态学的分类图像滤波处理仿真实验 |
| 4.5 本章小结 |
| 第5章 结论 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简介及在学期间取得的科研成果 |
| 致谢 |
（3）基于DenseNet-Attention模型的高光谱图像分类（论文提纲范文）
| 1 基本原理 |
| 1.1 DenseNet |
| 1.2 self-attention机制 |
| 1.3 Dense Net-Attention模型 |
| 2 实验结果与分析 |
| 2.1 数据集介绍 |
| 2.2 实验结果与分析 |
| 2.2.1 邻域参数设置 |
| 2.2.2 实验结果 |
| 2.2.3 实验结果分析 |
| 3 结论 |
（4）基于深度学习的高光谱图像分类（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 高光谱图像分类的研究难点和研究现状 |
| 1.2.1 高光谱图像分类的难点与挑战 |
| 1.2.2 高光谱图像分类的国内外研究现状 |
| 1.3 论文的主要工作及内容安排 |
| 第二章 研究相关的基础理论 |
| 2.1 高光谱图像分类 |
| 2.1.1 高光谱图像分类的流程 |
| 2.1.2 分类评价指标 |
| 2.2 深度神经网络及其典型结构 |
| 2.2.1 词嵌入 |
| 2.2.2 卷积神经网络 |
| 2.2.3 自编码网络 |
| 2.2.4 生成对抗网络 |
| 2.2.5 变分自编码网络 |
| 2.3 本章小结 |
| 第三章 基于双分支耦合网络降维的高光谱图像分类 |
| 3.1 引言 |
| 3.2 双分支耦合网络 |
| 3.2.1 DBCN的网络结构 |
| 3.2.2 类标空间到降维表示空间的映射 |
| 3.2.3 DBCN的损失函数 |
| 3.2.4 IAGS网络训练方法 |
| 3.3 本章方法的具体描述 |
| 3.3.1 DBCN的具体网络结构参数 |
| 3.3.2 基于DBCN降维的高光谱图像分类方法流程 |
| 3.4 实验分析 |
| 3.4.1 实验数据集介绍 |
| 3.4.2 本章算法的参数分析 |
| 3.4.3 本章方法与其它降维方法的比较 |
| 3.4.4 本章方法的性能分析 |
| 3.5 本章小结 |
| 第四章 基于生成式类别概率分布的高光谱图像分类 |
| 4.1 引言 |
| 4.2 GCPD分类方法 |
| 4.2.1 类别概率分布CPD |
| 4.2.2 GCPD分类方法的半监督网络模型及其损失函数 |
| 4.2.3 基于生成类别概率分布实现的分类 |
| 4.3 本章方法的具体流程 |
| 4.4 实验分析 |
| 4.4.1 本章算法的参数分析 |
| 4.4.2 本章方法与其他高光谱图像分类方法的对比 |
| 4.4.3 实验小结 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（5）基于国产多源高分遥感的广西红树林种间分类研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 选题依据 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 红树林高空间分辨率遥感种间分类研究进展 |
| 1.2.2 红树林高光谱遥感种间分类研究进展 |
| 1.2.3 广西红树林研究进展 |
| 1.3 研究内容和技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 总体技术路线 |
| 1.4 论文篇章结构 |
| 2 材料与方法 |
| 2.1 研究区概况 |
| 2.1.1 地理位置 |
| 2.1.2 自然环境 |
| 2.2 数据与处理 |
| 2.2.1 遥感影像数据 |
| 2.2.2 现场调查数据 |
| 2.2.3 数据处理 |
| 2.3 方法 |
| 2.3.1 分类方法 |
| 2.3.2 验证方法 |
| 3 基于国产高空间分辨率遥感的红树林种间分类方法 |
| 3.1 基于像素分类方法 |
| 3.2 现场样本与分割对象相结合的面向对象分类方法 |
| 3.3 方法对比分析 |
| 4 基于国产高光谱遥感的红树林种间分类方法 |
| 4.1 高光谱图像处理 |
| 4.1.1 数据异常值剔除 |
| 4.1.2 子空间划分 |
| 4.2 高光谱降维方法研究 |
| 4.2.1 子空间与最小噪声分离相结合的特征提取 |
| 4.2.2 子空间内最佳指数因子与图像导数相结合的波段选择 |
| 4.3 结果分析 |
| 5 广西红树林种类遥感监测 |
| 5.1 红树林种类面积与分布分析 |
| 5.1.1 广西红树林种类面积与分布分析 |
| 5.1.2 自然保护区红树林种类面积与分布分析 |
| 5.1.3 群落结构与演替过程分析 |
| 5.2 山口保护区红树林种类变迁分析 |
| 5.2.1 山口红树林种类时空格局及动态变化 |
| 5.2.2 红树林景观结构动态变化 |
| 5.2.3 驱动因子分析 |
| 6 结论与讨论 |
| 6.1 结论 |
| 6.2 讨论 |
| 致谢 |
| 攻读硕士学位期间主要成果 |
| 参考文献 |
（6）基于弱监督集成学习的高光谱图像分类方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景、目的和意义 |
| 1.2 研究现状及发展动态分析 |
| 1.2.1 国内外研究现状 |
| 1.2.2 基于弱监督学习的高光谱图像分类及其存在的问题 |
| 1.2.3 基于集成学习的高光谱图像分类及其存在的问题 |
| 1.3 研究目标和研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 论文结构安排 |
| 2 高光谱图像分类基础 |
| 2.1 引言 |
| 2.2 基于光谱匹配的分类方法 |
| 2.2.1 光谱编码匹配 |
| 2.2.2 光谱相关系数 |
| 2.2.3 光谱夹角余玄匹配 |
| 2.2.4 光谱信息散度 |
| 2.3 高光谱图像数据集 |
| 2.4 分类评价指标 |
| 2.5 本文用到的基本技术算法 |
| 2.5.1 随机森林 |
| 2.5.2 k-means算法 |
| 2.5.3 主成分分析PCA |
| 2.6 本章小结 |
| 3 基于级联随机森林的高光谱图像分类 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.3 级联随机森林CRF |
| 3.3.1 邻域粗糙集 |
| 3.3.2 CRF |
| 3.4 实验结果与分析 |
| 3.4.1 高光谱图像数据集 |
| 3.4.2 实验设置 |
| 3.4.3 实验结果 |
| 3.4.4 参数分析 |
| 3.5 本章小结 |
| 4 基于主动半监督随机森林的高光谱图像分类 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.3 协同主动学习和半监督学习的随机森林方法 |
| 4.3.1 主动学习查询函数 |
| 4.3.2 监督聚类 |
| 4.3.3 ASSRF算法 |
| 4.4 实验结果与分析 |
| 4.4.1 高光谱图像数据集 |
| 4.4.2 实验设置 |
| 4.4.3 与RF、CRF和 SSRF进行实验比较 |
| 4.4.4 与较新的方法进行比较 |
| 4.4.5 参数分析 |
| 4.4.6 ASSRF深入分析 |
| 4.5 本章小结 |
| 5 基于多视图随机旋转集成的高光谱图像分类 |
| 5.1 引言 |
| 5.2 极限学习机ELM |
| 5.3 基于多视图的随机旋转集成剪枝算法 |
| 5.3.1 基于多视图的随机旋转 |
| 5.3.2 集成剪枝 |
| 5.4 实验结果与分析 |
| 5.4.1 高光谱图像数据集 |
| 5.4.2 实验设置 |
| 5.4.3 实验结果与分析 |
| 5.4.4 与较新的方法进行比较 |
| 5.4.5 参数分析 |
| 5.4.6 集成剪枝有效性分析 |
| 5.5 本章小结 |
| 6 基于多视图标签传播集成的高光谱图像分类 |
| 6.1 引言 |
| 6.2 基于多视图的标签传播集成 |
| 6.2.1 光谱空间特征抽取 |
| 6.2.2 基于光谱空间邻域相似性的标签传播 |
| 6.2.3 标签传播集成LPE |
| 6.3 实验结果与分析 |
| 6.3.1 实验用到的高光谱数据集 |
| 6.3.2 实验设置 |
| 6.3.3 分类结果 |
| 6.3.4 数据可视化 |
| 6.3.5 与较新的方法进行比较 |
| 6.3.6 参数分析 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 全文工作总结 |
| 7.2 未来研究展望 |
| 致谢 |
| 参考文献 |
| 附录 A |
| A.1 定理5.1 的证明 |
| 附录 B |
| B.1 攻读博士学位期间发表的论文和出版着作情况 |
| B.2 攻读博士学位期间在审的论文情况 |
| B.3 攻读博士学位期间参加的科研项目情况 |
| B.4 攻读博士学位期间获得荣誉和奖励情况 |
（7）基于集成学习的高光谱遥感影像分类算法研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.1.1 课题研究背景 |
| 1.1.2 课题研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统光谱特征分类技术 |
| 1.2.2 基于数据统计特征分类技术 |
| 1.2.3 神经网络提取特征的分类技术 |
| 1.2.4 高光谱遥感影像分类存在的问题 |
| 1.3 论文的结构 |
| 第2章 高光谱遥感影像分类技术研究 |
| 2.1 单一分类器的分类原理 |
| 2.1.1 K最近邻 |
| 2.1.2 支持向量机 |
| 2.1.3 决策树 |
| 2.2 分类器评价指标 |
| 2.3 高光谱遥感图像分类流程 |
| 2.4 本章小结 |
| 第3章 高光谱影像集成分类基分类器筛选 |
| 3.1 基分类器差异性度量 |
| 3.2 筛选基分类器的理论依据 |
| 3.3 基分类器选择的实验验证 |
| 3.4 筛选基分类器的实验结果分析 |
| 3.4.1 Pavia Center数据集 |
| 3.4.2 Pavia University数据集 |
| 3.4.3 SalinasA数据集 |
| 3.4.4 基分类器的实验结果分析 |
| 3.5 本章小结 |
| 第4章 多阶段集成学习分类算法的研究 |
| 4.1 多阶段集成学习算法 |
| 4.1.1 多阶段集成学习的流程 |
| 4.1.2 三级基分类器的集成策略 |
| 4.1.3 二级基分类器的集成策略 |
| 4.2 实验验证及分析 |
| 4.2.1 参数设置及实验环境 |
| 4.2.2 Pavia Center集成实验 |
| 4.2.3 Pavia University集成实验 |
| 4.2.4 SalinasA集成实验 |
| 4.2.5 集成分类器综合分析 |
| 4.3 本章小结 |
| 第5章 多阶段集成分类算法在雄安新区农作物分类中的应用 |
| 5.1 高光谱数据集介绍 |
| 5.2 实验结果验证及分析 |
| 5.3 卷积神经网络分类方法 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（8）基于高光谱显微系统的癌细胞鉴别（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 高光谱成像技术 |
| 1.3 高光谱成像技术应用概述 |
| 1.4 基于高光谱技术在癌症检测的研究现状 |
| 1.5 染色剂的选择 |
| 1.6 本文的研究内容 |
| 第二章 高光谱显微成像相关技术 |
| 2.1 高光谱成像系统的介绍 |
| 2.2 高光谱显微系统的操作 |
| 2.3 高光谱图像的特征提取 |
| 2.3.1 阈值分割 |
| 2.3.2 图像增强 |
| 2.3.3 边缘检测 |
| 2.4 分类算法 |
| 第三章 基于高光谱显微技术的染色癌细胞鉴别 |
| 3.1 H&E染色的脑/肝组织切片的高光谱图像获取 |
| 3.2 H&E染色的脑/肝组织切片结果分析 |
| 3.2.1 透射光谱的获取 |
| 3.2.2 模型训练及测试 |
| 3.2.3 自动分类鉴别 |
| 3.3 DAPI染色的肝组织切片高光谱图像获取 |
| 3.4 DAPI染色的肝组织切片结果分析 |
| 3.4.1 荧光光谱的获取 |
| 3.4.2 模型训练及测试 |
| 3.4.3 自动分类鉴别 |
| 第四章 总结与展望 |
| 4.1 本次工作的总结 |
| 4.2 展望 |
| 参考文献 |
| 附录 攻读硕士期间的科研论文成果 |
| 致谢 |
（9）基于张量的高光谱图像空谱域特征描述算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 高光谱图像的特点与面临的挑战 |
| 1.2.2 研究现状与存在的问题 |
| 1.2.3 高光谱图像公开数据集 |
| 1.3 本文的主要工作 |
| 1.4 本文章节安排 |
| 第2章 相关基础知识 |
| 2.1 张量基础 |
| 2.1.1 张量的纤和切片 |
| 2.1.2 张量运算 |
| 2.2 现有的高光谱图像空谱域特征描述算法 |
| 2.2.1 2DSIFT描述算法 |
| 2.2.2 3DSIFT描述算法 |
| 2.2.3 LBP描述算法 |
| 2.2.4 VLBP描述算法 |
| 2.2.5 CS-LBP描述算法 |
| 2.3 本章小结 |
| 第3章 高光谱图像空谱域张量梯度SIFT描述算法 |
| 3.1 高光谱图像的空谱域张量模型 |
| 3.2 高光谱图像的张量梯度 |
| 3.3 高光谱图像张量梯度SIFT描述算法 |
| 3.3.1 计算主方向 |
| 3.3.2 生成描述矢量 |
| 3.3.3 算法步骤 |
| 3.4 匹配实验 |
| 3.4.1 数据集介绍 |
| 3.4.2 评价指标 |
| 3.4.3 描述算法参数分析 |
| 3.4.4 实验结果与分析 |
| 3.5 分类实验 |
| 3.5.1 分类结果评价标准 |
| 3.5.2 单次分类结果分析 |
| 3.5.3 20次分类结果分析 |
| 3.5.4 训练样本数对分类精度的影响分析 |
| 3.6 本章小结 |
| 第4章 基于张量的高光谱图像空谱域局部二值模式描述算法 |
| 4.1 高光谱图像的三阶张量分解 |
| 4.2 高光谱图像空谱域编码算法 |
| 4.2.1 空谱域联合概率分布函数 |
| 4.2.2 高光谱图像模3纤上的局部二值编码 |
| 4.2.3 高光谱正面切片上的局部二值编码 |
| 4.2.4 空谱域联合编码 |
| 4.2.5 特征描述矢量生成 |
| 4.3 算法步骤 |
| 4.4 实验结果与分析 |
| 4.4.1 单次分类结果分析 |
| 4.4.2 20次分类结果分析 |
| 4.4.3 训练样本数对分类精度的影响分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
（10）基于MLR和空谱特征的遥感图像分类方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 目前的方法 |
| 1.2.1 基于特征空间的分类方法 |
| 1.2.2 基于光谱匹配的分类方法 |
| 1.2.3 基于核方法的分类 |
| 1.3 目前的问题 |
| 1.4 主要工作和文章结构 |
| 第2章 遥感图像处理和特征提取方法研究 |
| 2.1 光谱特征提取 |
| 2.1.1 主成分分析法 |
| 2.1.2 基于遗传算法的特征提取 |
| 2.2 纹理特征提取 |
| 2.2.1 灰度共生矩阵法 |
| 2.2.2 Laws纹理能量 |
| 2.2.3 空间自相关函数 |
| 2.2.4 小波变换 |
| 2.3 超像素分割 |
| 2.3.1 基于图论的超像素分割 |
| 2.3.2 基于梯度下降的分割方法 |
| 2.4 本章小结 |
| 第3章 遥感图像分类方法 |
| 3.1 波段选择 |
| 3.1.1 波段选择方法 |
| 3.1.2 最佳指数因子法 |
| 3.2 主成分分析 |
| 3.2.1 PCA具体步骤 |
| 3.2.2 PCA主要作用 |
| 3.3 多元逻辑回归分类方法 |
| 3.3.1 核方法 |
| 3.3.2 核函数原理 |
| 3.3.3 核函数的判定 |
| 3.3.4 合成核方法 |
| 3.3.5 高光谱合成核 |
| 3.3.6 基于MLR的高光谱图像分类方法 |
| 3.4 结合超像素特征提取的MLR分类方法 |
| 3.4.1 超像素特征 |
| 3.4.2 基于超像素的合成核函数 |
| 3.5 本章小结 |
| 第4章 实验结果与分析 |
| 4.1 数据集参数 |
| 4.1.1 高光谱数据 |
| 4.1.2 波段信息 |
| 4.2 波段选择实验 |
| 4.2.1 波段初选 |
| 4.2.2 波段初选+OIF对比OIF |
| 4.2.3 波段选择对于分类精度的影响 |
| 4.3 超像素分割和特征提取 |
| 4.3.1 分割效果和算法对比 |
| 4.3.2 空间特征 |
| 4.3.3 训练集的构建 |
| 4.3.4 分类结果 |
| 4.4 本章小结 |
| 第5章 总结和展望 |
| 5.1 本文的主要工作 |
| 5.2 改进方向 |
| 参考文献 |
| 作者简介以及在读期间的科研成果 |
| 致谢 |
四、高光谱中的Hughes现象与低通滤波器的运用（论文参考文献）
- [1]基于注意力机制和空谱结合的高光谱图像分类方法研究[D]. 郑婉宁. 哈尔滨理工大学, 2021
- [2]基于改进粒子群的高光谱波段选择及空谱联合分类算法研究[D]. 叶楠. 吉林大学, 2021(01)
- [3]基于DenseNet-Attention模型的高光谱图像分类[J]. 张永鹏,张春梅,白静. 图学学报, 2020(06)
- [4]基于深度学习的高光谱图像分类[D]. 杨晓婕. 西安电子科技大学, 2020(05)
- [5]基于国产多源高分遥感的广西红树林种间分类研究[D]. 马云梅. 内蒙古师范大学, 2020(08)
- [6]基于弱监督集成学习的高光谱图像分类方法研究[D]. 张友强. 南京理工大学, 2020(01)
- [7]基于集成学习的高光谱遥感影像分类算法研究与应用[D]. 王超. 中国地质大学(北京), 2020(12)
- [8]基于高光谱显微系统的癌细胞鉴别[D]. 陈瑶. 暨南大学, 2020(03)
- [9]基于张量的高光谱图像空谱域特征描述算法研究[D]. 范雷东. 深圳大学, 2018(07)
- [10]基于MLR和空谱特征的遥感图像分类方法研究[D]. 李群. 吉林大学, 2018(01)