【摘要】：遙感影像分類是遙感領(lǐng)域研究的重要問(wèn)題。高光譜遙感數(shù)據(jù)具有豐富的光譜信息和空間信息,為地物目標(biāo)的辨識(shí)和分類提供了更多依據(jù)。分類方法的優(yōu)劣直接影響著分類的精度,空譜分類方法將光譜特征和空間特征結(jié)合在一起,被證明可以有效地提高分類精度。高光譜數(shù)據(jù)降維是降低處理成本,避免維數(shù)災(zāi)難的有效手段,已成為分類的重要步驟。深度學(xué)習(xí)能夠提取數(shù)據(jù)深層次非線性本質(zhì)特征,越來(lái)越多的深度學(xué)習(xí)模型被應(yīng)用到高光譜特征提取和地物分類中。論文通過(guò)深入分析高光譜數(shù)據(jù)特性,基于信息論、統(tǒng)計(jì)學(xué)理論、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等領(lǐng)域的新理論和新方法,研究高效的光譜降維策略和空譜聯(lián)合分類方法,并在多個(gè)高光譜遙感數(shù)據(jù)集上進(jìn)行驗(yàn)證。主要內(nèi)容包括:基于信息量和類間可分性的評(píng)價(jià)標(biāo)準(zhǔn),分別提出了兩種特征選擇方法。一種是改進(jìn)的最優(yōu)指數(shù)因子法。該方法根據(jù)波段間相關(guān)系數(shù)矩陣圖像“分塊”的特點(diǎn),將整個(gè)波段空間劃分為若干子空間,在子空間的基礎(chǔ)上計(jì)算最優(yōu)指數(shù)因子,實(shí)現(xiàn)波段選擇。該方法提高了計(jì)算效率,降低了信息冗余,提升了分類精度。另一種是改進(jìn)的二進(jìn)制粒子群算法,通過(guò)改進(jìn)迭代函數(shù)和引入變異機(jī)制,提高了算法的收斂能力和全局尋優(yōu)能力;設(shè)計(jì)了基于該算法的特征選擇和分類器參數(shù)同步尋優(yōu)策略。實(shí)驗(yàn)證明該算法能有效地進(jìn)行特征選擇和參數(shù)尋優(yōu),降低了處理成本、提升了分類的精度�；谏疃葘W(xué)習(xí)網(wǎng)絡(luò)提取數(shù)據(jù)深層次本質(zhì)特征的能力,論文構(gòu)建了最優(yōu)的堆棧降噪自編碼器網(wǎng)絡(luò)模型,實(shí)現(xiàn)了對(duì)高光譜數(shù)據(jù)的特征提取并完成分類,分類精度高于常見(jiàn)的特征提取方法�；跀�(shù)學(xué)形態(tài)學(xué)處理空間形狀和幾何結(jié)構(gòu)的能力,論文提出了兩種空譜分類方法。一種是基于二值數(shù)學(xué)形態(tài)學(xué)的空間特征后處理方法。該方法利用二值形態(tài)學(xué)的降噪能力,對(duì)基于光譜特征的分類結(jié)果進(jìn)行優(yōu)化處理,有效降低了分類結(jié)果中的“椒鹽現(xiàn)象”,提高了分類精度。另一種是基于灰度數(shù)學(xué)形態(tài)學(xué)的空譜特征同步處理方法。該方法將高光譜數(shù)據(jù)的每一波段轉(zhuǎn)化為灰度圖像,分別進(jìn)行降噪處理,處理后的光譜特征融入了空間信息;然后將空譜特征作為堆棧降噪自編碼分類器的輸入進(jìn)行分類,提高了分類精度。論文從降維和空譜分類兩個(gè)方向提出了多個(gè)創(chuàng)新點(diǎn),并將這些創(chuàng)新點(diǎn)進(jìn)行有機(jī)結(jié)合,實(shí)現(xiàn)高光譜影像降維和空譜分類的綜合處理。論文將所提出的算法與同類算法進(jìn)行了比較,實(shí)驗(yàn)證明所提算法具有更好的分類效果。
【圖文】：

更有利于地物的識(shí)別與分類。圖1-1[7]給出了高光譜影像示意圖。從圖 1-1 中的例子可以看出土壤、水和植被的光譜形成了一條精細(xì)連續(xù)的光譜特征曲線。因此，高光譜影像與多光譜影像相比，可以解決更多問(wèn)題[8]。高光譜時(shí)代始于 20 世紀(jì) 80 年代，經(jīng)過(guò)三十多年的發(fā)展，高光譜遙感日臻成熟，得到了廣泛的應(yīng)用，占據(jù)了對(duì)地觀測(cè)的重要位置。高光譜成像光譜儀采集每個(gè)樣本點(diǎn)的同時(shí)，也采集其空間幾何分布信息，具有“圖譜合一”的特點(diǎn)。高光譜遙感實(shí)現(xiàn)了對(duì)目標(biāo)地物的光譜成像，形成二維空間信息與光譜信息相互融合的三維數(shù)據(jù)立方體（Data Cube）[9]。圖 1-2 是 AVIRIS 92AV3C 高光譜數(shù)據(jù)立方體，三維空間分別是空間維 x、空間維 y 和縱向軸光譜維 z，圖中 x 軸和 y 軸構(gòu)成立方體的前部截面的二維空間影像，z 軸為光譜維。不同地物對(duì)各個(gè)頻率的光具有不同的反射率，它們所對(duì)應(yīng)的光譜曲線就有差異，因此可以通過(guò)高光譜遙感數(shù)據(jù)為地物目標(biāo)進(jìn)行更加精細(xì)的識(shí)別和分類。為了適應(yīng)不同的研究目的，高光譜數(shù)據(jù)采用了三種不同的表達(dá)方式，圖像空間、光譜空間和特征空間[10]，對(duì)高光譜數(shù)據(jù)的地物屬性信息從不同的角度進(jìn)行表達(dá)，如圖 1-3 所示。（1）圖像空間圖像空間是高光譜數(shù)據(jù)最簡(jiǎn)單、最直接的表達(dá)方式

4圖 1-2 高光譜影像立方體結(jié)構(gòu)示意圖（2）光譜空間圖 1-3（b）描述的是光譜空間，光譜空間的每個(gè)像素對(duì)應(yīng)一條波譜響應(yīng)曲線，波線反映的是目標(biāo)地物的光譜反射率隨光譜波長(zhǎng)的變化情況[11]。在使用光譜空間對(duì)地物分析時(shí)，所依據(jù)的是不同地物表現(xiàn)出的輻射響應(yīng)曲線不同。但由于受到如太陽(yáng)光入射風(fēng)速等因素的影響，實(shí)際中容易出現(xiàn)“同物異譜”和“同譜異物”現(xiàn)象，這一現(xiàn)象對(duì)
【學(xué)位授予單位】：中國(guó)地質(zhì)大學(xué)(北京)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2018
【分類號(hào)】：P237

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 高春能;張彪;紀(jì)志成;;基于自適應(yīng)動(dòng)態(tài)搜索粒子群的SVM參數(shù)優(yōu)化研究[J];系統(tǒng)仿真學(xué)報(bào);2015年12期

2 仇建斌;李士進(jìn);朱躍龍;萬(wàn)定生;;基于曲線形狀特征的快速高光譜圖像波段選擇[J];小型微型計(jì)算機(jī)系統(tǒng);2014年08期

3 李娜;李詠潔;趙慧潔;曹揚(yáng);;基于光譜與空間特征結(jié)合的改進(jìn)高光譜數(shù)據(jù)分類算法[J];光譜學(xué)與光譜分析;2014年02期

4 駱仁波;皮佑國(guó);廖文志;;超光譜遙感圖像有監(jiān)督LPP特征提取研究[J];遙感技術(shù)與應(yīng)用;2012年06期

5 萬(wàn)曙靜;張承明;劉俊華;;基于自適應(yīng)最小距離調(diào)整的多光譜遙感圖像分類方法[J];測(cè)繪通報(bào);2012年S1期

6 姚旭;王曉丹;張玉璽;權(quán)文;;特征選擇方法綜述[J];控制與決策;2012年02期

7 董超;田聯(lián)房;趙慧潔;;遺傳關(guān)聯(lián)向量機(jī)高光譜影像分類[J];上海交通大學(xué)學(xué)報(bào);2011年10期

8 計(jì)智偉;胡珉;尹建新;;特征選擇算法綜述[J];電子設(shè)計(jì)工程;2011年09期

9 高恒振;萬(wàn)建偉;粘永健;徐湛;許可;;一種基于譜域-空域組合特征支持向量機(jī)的高光譜圖像分類算法[J];宇航學(xué)報(bào);2011年04期

10 劉建南;冷亮;楊國(guó)東;;遙感影像平行六面體法則監(jiān)督分類與目視識(shí)別的對(duì)比分析[J];才智;2009年19期

相關(guān)博士學(xué)位論文 前1條

1 何同弟;高光譜圖像的分類技術(shù)研究[D];重慶大學(xué);2014年

，

本文編號(hào)：2591973