学位论文 > 优秀研究生学位论文题录展示

超光谱遥感图像降维及分类方法研究

作　者: 刘春红
导　师: 赵春晖
学　校: 哈尔滨工程大学
专　业: 信号与信息处理
关键词: 超光谱遥感波段选择融合监督分类非监督分类
分类号: TP751
类　型: 博士论文
年　份: 2005年
下　载: 857次
引　用: 22次
阅　读: 论文下载

内容摘要

超光谱遥感建立在电磁波谱理论、地学规律、电子技术、计算机技术及空间技术的基础上,作为一门独立的综合性新兴科学技术得以建立并迅速发展。由于超光谱遥感所特有的高光谱分辨率的性质,其潜在的可用性已受到广泛关注。针对多光谱图像人们已经研究了多种处理方法,技术趋于成熟,但是超光谱图像的数据量大、数据维高,使通常的多光谱图像处理方法对于超光谱图像的应用有较大的限制,因此探求适合于超光谱图像的处理方法是超光谱遥感应用必须优先研究的课题。本文从分析基本超光谱遥感图像处理理论和现有算法及相关学科理论、技术入手,重点研究了超光谱遥感图像的降维及分类方法,研究的主要内容和创新点如下: 1.深入研究了超光谱遥感图像的降维方法,将它们归结为波段选择、数据源划分、特征提取和融合等4类方法。在分析波段选择降维的诸方法基础之上,提出了一种新的超光谱遥感图像降维方法——自适应波段选择(ABS)。超光谱遥感图像各波段间存在高相关性和高冗余度,选择信息丰富的波段,不仅能够降低数据维数,而且可以大大地降低计算量,从信息处理实效性的角度来看,降维是有必要的。ABS方法充分考虑了各波段的空间相关性和谱间相关性大小,对数据集应用ABS方法后,将求出的各个波段指数值进行由大到小的排列,系统根据设定的阈值自适应地选择需要的波段。ABS方法是在考察图像整体特点之后对图像进行选择的,因此它克服了变换法改变图像的缺点,更有利于保持图像的原有特性。 2.研究了影响超光谱遥感图像分类精度的因素,将他们归结为5类:训练样本的数量、数据的维数、判别函数、假定的概率模型和类别可分性。其中类别可分性代表了数据集的自然特性并决定了分类器能够获得的最优性能。数据集的可分性好,就容易获得高的分类精度。类别可分性通常看作是内在和预先决定的,在其他4种因素都确定的条件下,类别可分性的研究就显得尤为重要。鉴于此,本文提出了利用高斯低通滤波提高类别可分性的方法,高斯低通滤波器对图像具有平滑作用,对于包含多像元同类物质的超光谱遥感图像来讲,该方法可以降低类内距离并提高类间距离,因此更有利于

全文目录

第1章绪论  13-33
  1．1 课题的背景  13-20
    1．1．1 超光谱遥感原理概述  14-15
    1．1．2 超光谱遥感发展概述  15-17
    1．1．3 超光谱遥感与多光谱遥感的区别与联系  17-20
  1．2 超光谱遥感数据简介  20-23
    1．2．1 数据特点  20
    1．2．2 表现形式  20-22
    1．2．3 数据分布形式  22-23
  1．3 超光谱遥感图像分类处理国内外研究现状  23-29
    1．3．1 监督分类与非监督分类  24-27
    1．3．2 参数分类与非参数分类  27-28
    1．3．3 确定性分类与非确定性分类  28-29
    1．3．4 其他分类方法  29
  1．4 超光谱遥感国内研究现状  29-31
  1．5 课题的目的与研究内容  31-33
    1．5．1 课题的目的与意义  31
    1．5．2 论文的主要研究内容  31-33
第2章超光谱遥感图像的降维方法研究  33-49
  2．1 引言  33
  2．2 超光谱遥感图像降维研究的意义  33-34
  2．3 超光谱遥感图像降维方式综述  34-41
    2．3．1 利用波段选择进行降维  34-36
    2．3．2 通过划分数据源进行降维  36-37
    2．3．3 利用特征提取技术进行降维  37-39
    2．3．4 利用融合技术进行降维  39-41
    2．3．5 多种方法综合降维  41
  2．4 超光谱图像的自适应波段选择降维  41-48
    2．4．1 算法原理  42-43
    2．4．2 实验图像  43-45
    2．4．3 分类算法  45-46
    2．4．5 实验结果与分析  46-48
  2．5 本章小结  48-49
第3章基于高斯低通滤波的超光谱遥感图像分类  49-71
  3．1 引言  49-50
  3．2 超光谱遥感图像类别可分性判定研究  50-57
    3．2．1 超光谱数据样本分布的几个描述量  50-52
    3．2．2 类别可分离性判据  52
    3．2．3 几种常用的距离判据  52-53
    3．2．4 多元正态分布下的Bhattacharyya距离  53-56
    3．2．5 Bhattacharyya距离的错误率分析  56-57
  3．3 低通滤波  57-62
    3．3．1 高斯低通滤波原理  58-59
    3．3．2 高斯低通滤波器的空域实现  59-60
    3．3．3 基于高斯低通滤波的分类器设计  60-62
  3．4 仿真实验  62-70
    3．4．1 实验图像  62-63
    3．4．2 分类结果的评价方法  63-64
    3．4．3 分类实验  64-70
  3．5 本章小结  70-71
第4章基于第二代小波融合的超光谱遥感图像分类  71-91
  4．1 引言  71-72
  4．2 第二代小波算法  72-75
    4．2．1 第二代小波基本理论  73-74
    4．2．2 第二代小波的优点  74-75
  4．3 一种新的第二代小波构造方法  75-81
    4．3．1 算法原理  75-81
  4．4 基于融合的超光谱遥感图像分类  81-90
    4．4．1 最大似然算法性能分析  81-82
    4．4．2 EM算法对最大似然算法参数的优化  82-84
    4．4．3 分类实验与结果分析  84-90
  4．5 本章小结  90-91
第5章基于模糊聚类的超光谱遥感图像的支持向量机分类  91-108
  5．1 引言  91-92
  5．2 模糊集合与模糊聚类  92-95
    5．2．1 模糊性和模糊子集  93-94
    5．2．2 模糊关系  94-95
  5．3 模式识别中的模糊集理论  95-98
    5．3．1 隶属度原则和择近原则  95-97
    5．3．2 模糊 C均值聚类方法  97-98
  5．4 基于模糊聚类的支持向量机分类  98-103
    5．4．1 线性支持向量机与最优分类面  99-101
    5．4．3 非线性支持向量机  101-103
    5．4．4 支持向量机的优点  103
  5．5 实验仿真与结果分析  103-107
  5．6 本章小结  107-108
结论  108-110
参考文献  110-125
攻读博士学位期间发表的论文和取得的科研成果  125-127
致谢  127-128
个人简历  128

超光谱遥感图像降维及分类方法研究

内容摘要

全文目录

相似论文