基于稀疏表示的高光譜圖像目標識別.pdf

1、高光譜圖像具有豐富的光譜信息，因此也具有更高的分辨能力。當然，豐富的光譜信息也給高光譜數(shù)據(jù)的處理帶來了非常復雜的問題，例如高光譜數(shù)據(jù)處理時間復雜度很高等，而稀疏表示理論應用于高光譜遙感圖像目標識別具有識別率高、處理速度快等優(yōu)勢，并且稀疏表示不需要對樣本分布進行統(tǒng)計和假設，在稀疏表示模型可以隨著應用場景的變化在目標函數(shù)中添加不同的限制條件，從而極大的增大算法的適應性，因此稀疏表示已經被廣泛的應用于高光譜遙感圖像處理方面。
　　本文主

2、要是利用稀疏表示理論對高光譜遙感圖像進行目標識別，采用了三個實際高光譜遙感圖像進行稀疏表示方法的識別實驗，并且與支持向量機和隨機森林方法進行對比，驗證稀疏表示應用于高光譜遙感圖像識別的有效性。論文的主要研究內容如下:
　?。?）首先分析了稀疏表示算法目前常用的理論方法，針對現(xiàn)有方法存在的重構殘差大和字典原子設置的問題，結合KSVD和LARS算法，提出了一種改變字典長度的特征字典訓練方法。該算法可以很好的解決OMP算法計算步伐太大、

3、侵略性太強的問題，也可以很好地避免字典原子數(shù)量設置的問題。
　?。?）對稀疏特征識別算法進行了研究分析，提出了一種基于稀疏表示的最大稀疏識別算法。該算法通過模擬人腦神經元，利用特征字典和訓練樣本之間的相關性進行識別。并通過實驗結果證明了該算法優(yōu)于SVM和隨機森林方法。
　?。?）針對噪聲會對信號的光譜特征造成很大的影響，提出了一種基于稀疏表示與多尺度信息的高光譜圖像目標識別算法。由于傳感器和自然界的一些干擾，會影響稀疏特征和