学位论文 > 优秀研究生学位论文题录展示

高光谱影像分类若干关键技术的研究

作　者: 杨哲海
导　师: 张永生
学　校: 解放军信息工程大学
专　业: 摄影测量与遥感
关键词: 高光谱分类训练样本低通滤波特征空间降维 Tabu搜索组合分类器
分类号: P237
类　型: 博士论文
年　份: 2006年
下　载: 1215次
引　用: 16次
阅　读: 论文下载

内容摘要

高光谱遥感技术的快速发展，使得获取更高光谱分辨率的地面信息成为可能，为定量遥感的实现创造了有利条件。然而，高光谱数据具有波段数目众多、各波段相关性强、运算量大的特点，这对相应的处理技术提出了很高的要求。本文主要针对高光谱遥感的一个重要应用——分类问题，展开系统的研究。通过在影像的特征空间，从影响分类精度的四个关键要素入手，即训练样本的数量、类别可分性、特征空间的维数、分类器的性能，深入研究各要素对分类的影响原理，通过模型的构建，从多个方面探讨高光谱影像分类的限制因素，并最终建立一种面向应用的高光谱影像分类流程。主要内容如下： 1．以EM算法理论为基础，构建了IEM算法模型。通过将大量未标识样本点参与参数的估值运算，重点解决训练样本点选取不足的问题。同时针对高光谱数据的特点，讲述了如何判断未标识样本中所包含的噪声，并避免未标识样本点选取过于集中所带来的不利影响。在该模型中，引入了低通滤波技术，用以改善各类别的可分性，并对这种改善的原理进行了论证。实验表明，该方法可以获得精度很高的类别分布参数估值，并有着很好的稳定性。 2．基于Tabu搜索算法具有良好全局寻优能力的特点，围绕高光谱数据的降维处理，结合高光谱数据的特点，讨论了初始解、Tabu表长、候选解数量、迭代次数等关键参数对搜索进程的影响情况。通过实验，探索诸参数对搜索结果的影响规律，用以指导对各参数进行合理的设置，最终实现Tabu搜索算法有效降低高光谱特征维数的技术方法。实验结果验证了Tabu算法应用于高光谱数据降维处理的有效性。 3．实践了应用组合分类方法进行高光谱数据的分类处理。针对不同分类器的分类结果含有互补信息的特点，在分析了不同组合规则的优缺点的基础上，提出了基于混合规则的组合策略。该混合规则既有级联组合的严密性，又具有并联组合的灵活性。由于避免了大量的运算，因而有着很好的执行效率。同时各单分类器结果是基于度量级的输出，具有很好的可扩展性。实验结果表明，基于混合规则的组合分类方法在高光谱数据分类应用中有着良好的表现。 4．建立了一种面向应用的高光谱影像分类流程。该流程继承了传统多光谱影像数据的处理思想，同时充分考虑了高光谱影像的特点，因而有着良好的可操作性和实用性能。其主要功能模块包括：(1)类别分布参数估算模块。通过IEM算法来获取高精度的类别参数估值；(2)特征空间获取模块。运用Tabu搜索算法，通过对各关键参数进行合理的设置，实现对分类最为有利的特征空间的获取；(3)组合分类器模块。按照混合组合规则的思想，对各单分类器进行组合，来获取更高精度的分类结果。

全文目录

摘要  7-8
Abstract  8-10
第一章绪论  10-18
  1.1 引言  10
  1.2 研究背景与意义  10-14
  1.3 高光谱影像分类面临的主要问题  14-15
  1.4 研究的主要内容及论文安排  15-18
第二章高光谱影像分类IEM算法模型  18-43
  2.1 引言  18-19
  2.2 EM算法及其在高光谱影像分类中存在的问题  19-24
    2.2.1 EM算法简介  20-21
    2.2.2 EM算法在高光谱影像分类中的应用  21-23
    2.2.3 EM算法在高光谱影像分类中所面临的问题  23-24
  2.3 IEM算法模型  24-42
    2.3.1 参数初始值的选取  24-32
    2.3.2 对噪声影响的削弱  32-37
    2.3.3 IEM算法流程  37-38
    2.3.4 综合实验与分析  38-42
  2.4 本章小结  42-43
第三章降维方法与Tabu搜索算法模型  43-71
  3.1 引言  43-44
  3.2 高维数据的结构特性及降维的必要性与可行性分析  44-49
    3.2.1 高维数据的结构特性  44-47
    3.2.2 高维数据降维的必要性与可行性  47-49
  3.3 降维的方法及存在的问题  49-55
    3.3.1 特征选择技术及其主要方法  50-52
    3.3.2 特征提取技术及其主要方法  52-54
    3.3.3 降维方法所面临的问题  54-55
  3.4 Tabu搜索算法及其在高光谱影像分类中的应用研究  55-70
    3.4.1 Tabu搜索算法  55-61
    3.4.2 Tabu搜索算法用于高光谱数据的特征选择  61-70
  3.5 本章小结  70-71
第四章组合分类器模型研究  71-91
  4.1 高光谱分类技术概述  71-79
    4.1.1 基于光谱空间的分析方法  71-74
    4.1.2 基于特征空间的分类方法  74-77
    4.1.3 对现有分类方法的评价  77-79
  4.2 组合分类思想  79-83
    4.2.1 组合分类器研究的产生及现状  79-80
    4.2.2 组合分类的关键问题  80-83
  4.3 混合规则组合分类模型的建立  83-90
    4.3.1 混合规则组合分类模型的基本思想  83
    4.3.2 模型的实现过程  83-86
    4.3.3 基于混合规则的组合分类模型具体流程  86-87
    4.3.4 综合实验结果与分析  87-90
  4.4 本章小结  90-91
第五章高光谱影像分类原型系统的构建  91-98
  5.1 高光谱影像分类原型系统框架  91-92
  5.2 实验结果及分析  92-96
  5.3 对分类框架的评价  96-98
第六章结论与展望  98-101
  6.1 总结  98-99
  6.2 需要进一步研究的问题  99-101
参考文献  101-109
作者简历攻读博士学位期间完成的主要工作  109-110
致谢  110

高光谱影像分类若干关键技术的研究

内容摘要

全文目录

相似论文