基于超图的高光谱图像分割方法
基于超图的高光谱图像分割方法(论文15400字)
摘要：相比于普通图像，高光谱图像的波段更多、光谱分辨率更高、包含信息也更加丰富，价值更高的同时想要处理好也更加困难。在图像处理方面，图模型能起到较好的分析作用，其中超图模型能克服传统图模型在只能表示二元关系的缺点。跟传统图模型相比，超图中的超边不是两个数据点的连接而是一个集合，集合中的数据点具有相似特性。所以在分割高光谱图像时，我们可以将超图模型应用到高光谱图像分割中去。
本文重点研究一种基于超图模型的高光谱图像分割方法，通过选择合适的相似性度量函数计算点与点之间的相似度，并通过找出点及与这个点相似度最高的前k个点构建出超边，超边权重计算为超边内各顶点的相似性累加和，进而构建表示高光谱数据的KNN超图，并计算拉普拉斯超图矩阵，基于超图谱聚类算法实现高光谱数据的分割，实验主要是通过基于超图谱聚类算法对高光谱数据进行分类并与传统方法进行比较，验证本文方法的有效性。
关键词： 超图，谱聚类，图像分割
Hyperspectral image segmentation method based on Hypergraph
Abstract:Compared with ordinary images, hyperspectral images have more bands, higher spectral resolution, richer information, higher value and more difficult to handle. In image processing, graph model to analysis the effect of the hypergraph model can overcome the traditional graph model of relationship between the flaws in the said two yuan only. Compared with the traditional graph model, super edge hypergraph connection is not two data points but a set number of strongholds in the collection have similar properties. So in the segmentation of hyperspectral images, we can hypergraph model Applied to hyperspectral image segmentation. [资料来源：www.doc163.com]
This paper focuses on a hyperspectral image segmentation method based on the hypergraph model, calculating the similarity between points of similarity function by choosing appropriate, and through to find a point and this point similarity of the highest K construction of super, super edge weight calculation for similarity and accumulation of each vertex in super edge the representation of hyperspectral data and construct KNN hypergraph, and calculate the Laplasse hypergraph matrix, super map clustering algorithm for hyperspectral data segmentation based on experiment is mainly through the super map clustering algorithm for hyperspectral data classification and compared with the traditional method based on, verify the validity of this method.
Keywords: hypergraph, spectral clustering, image segmentation
目 录
1、 绪论 1
1.1 研究目的及意义 1
1.2 研究现状 2
1.3 研究内容与结构安排 3
2、 图谱聚类算法基础 3
2.1 图割目标函数介绍 3
2.1.1k = 2的近似RatioCut 4
2.1.2任意k的近似RatioCut 5
2.2 图形拉普拉斯算子及其基本属性 6
2.2.1非归一化图形拉普拉斯算子 6
2.2.2 归一化图形拉普拉斯算子 8
2.3 谱聚类算法 9
3、 高光谱分割的超图谱聚类分割算法 10
3.1超图基本理论 11
3.2 超图模型构建 13
3.2.1 相似性度量 14
3.2.2 KNN超图 14
3.3超图谱聚类分割 16
3.3.1 超图拉普拉斯矩阵的计算 16
3.3.2计算特征向量 17
3.3.3高光谱分割算法 19
4、 实验设计与分析 19
4.1实验数据 19
4.2 对比算法 20
4.3实验结果与分析 21
4.4结论 24
5、 结论与展望 25
参考文献： 26
致谢 27
[来源：http://Doc163.com]