基于高斯過程的高光譜圖像分類算法研究.pdf

1、由于高光譜圖像具有高維非線性，像元混合嚴(yán)重，信息冗余等特點，使得其圖像處理相當(dāng)復(fù)雜。為了能夠避免高光譜數(shù)據(jù)處理過程中，出現(xiàn)的Hughes現(xiàn)象，即維數(shù)災(zāi)難，將高斯過程分類(Gaussian Process Classifier，GPC)引入其中。高斯過程分類(Gaussian Process Classifier，GPC)是一種，在貝葉斯(Bayesian)框架下的概率化分類算法，是貝葉斯完全概率化表達，已經(jīng)成功用于模式識別與軟工業(yè)測量等

2、領(lǐng)域。本文在高斯過程的基礎(chǔ)上，以高光譜數(shù)據(jù)為背景，對高光譜圖像高斯過程分類算法進行深入研究。
　　本文針對高光譜圖像分類的主要工作如下：
　　1.介紹高斯過程基本原理，簡要分析分類的基礎(chǔ)理論，高光譜圖像的特點，給出了圖像分類的評價指標(biāo)體系，同時給出了高斯過程高光譜分類模型。
　　2.以拉普拉斯近似化方法下為例，介紹直接法多類分類算法。以二類分類為基礎(chǔ)進行高光譜圖像分類，提出一種間接多目標(biāo)分類方法即二對二高斯過程多目標(biāo)分

3、類。以二類分類為基礎(chǔ)的高光譜圖像在算法實現(xiàn)上比較簡潔，優(yōu)化二類分類的同時，即意味著優(yōu)化多類分類。
　　3.在分析核函數(shù)的不同特點的基礎(chǔ)上，給出了幾種組合核函數(shù)，并將其用于高光譜圖像分類中，取得了一定效果。組合核函數(shù)的優(yōu)點在于：依據(jù)不同性能的核函數(shù)組合而成的新構(gòu)造的核函數(shù)既擁有局部性能更好核函數(shù)的學(xué)習(xí)能力，又能夠擁有全局性能較好核函數(shù)的更好的推廣能力。
　　4.介紹了Parzen窗似然估計的基本原理，再結(jié)合組合核函數(shù)，提出Pa