【摘要】：成像光譜儀的發(fā)展推進了高光譜遙感時代的到來,為遙感科學技術領域提供了新的研究方向。高光譜遙感影像具有“圖譜合一”的特點,且其光譜波段多可在某一光譜范圍內連續(xù)成像,結合較高的光譜分辨率可為地物目標提高連續(xù)的、精細的光譜曲線,為高光譜遙感實現(xiàn)地物精細探測提供了基礎。然而高光譜遙感影像豐富的空間、光譜、輻射信息也給遙感影像的處理帶來了困難和挑戰(zhàn),如高光譜遙感影像波段數(shù)多、波段間相關性強,易造成“維度災害”而導致目標地物的識別率和分類精度低等問題,因此,如何對高光譜遙感影像進行降維,提高影像的分類精度便具有重要意義。針對高光譜遙感影像波段選擇過程中搜索策略的選擇問題,提出一種混沌杜鵑搜索算法,該算法充分運用混沌映射和杜鵑搜索算法的搜索特性,首先利用杜鵑搜索算法對種群進行全部優(yōu)化,獲得幾組較優(yōu)解;然后采用混沌映射對其進行隨機擾動,快速獲取最優(yōu)解。實驗結果表明該算法與遺傳算法、粒子群算法和基本杜鵑搜索算法相比搜索能力更強,改善了傳統(tǒng)的全局搜索算法易陷入局部極值的問題。針對高光譜遙感影像波段數(shù)多、波段間相關性強的問題,將提出的混沌杜鵑搜索算法應用于高光譜遙感影像的波段選擇中。將高光譜遙感影像的波段選擇問題抽象成杜鵑鳥巢寄生繁殖時對宿主鳥巢位置進行搜索的過程,利用杜鵑搜索算法較強的全局搜索能力和混沌映射收斂速度快且避免陷入局部極值的特點,對高光譜遙感影像進行波段選擇。首先,對高光譜遙感影像進行不固定波段數(shù)的隨機選擇,以此縮小目標波段數(shù)范圍,然后在此范圍內根據(jù)“hughes”現(xiàn)象確定影像分類精度最高時對應的目標波段數(shù),最后進行固定波段數(shù)的波段子集選擇。實驗結果表明,該算法最終所選的波段數(shù)較原始波段減少了近98%的特征數(shù),且獲得了較高的分類精度,在高光譜遙感影像的波段選擇中具有普適性。針對高光譜遙感影像分類過程中,客觀因素導致的標記樣本數(shù)量少,從而引起影像分類精度不高的問題,提出一種空譜信息結合的tri-training半監(jiān)督分類方法。將高光譜遙感影像的空間鄰域信息和光譜角距離SAM引入標準tri-training協(xié)同訓練過程中,通過標記樣本的8鄰域信息及其與未標記樣本的光譜角距離SAM進行未標記樣本的二次篩選,以三個隨機森林基分類器進行集成分類。實驗結果表明,結合空譜信息的選擇策略添加的未標記樣本置信度準確,大大提高了分類器的泛化能力,提高了影像的分類精度。
【學位授予單位】：武漢大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：P237
【圖文】：

段選擇實驗�；煦缍霹N搜索算法的基本思想為：在一次迭代更新鳥巢位置過程中，逡逑首先利用杜鵑搜索算法對種群進行全部優(yōu)化，獲得幾組較優(yōu)解；然后采用混沌映逡逑射對其進行隨機擾動，快速獲取最優(yōu)解�；煦缍霹N搜索算法的整體流程如下圖３－逡逑１所示：逡逑２４逡逑

去除噪聲波段和水吸收波段后，共有１９１個波段。根據(jù)該實驗區(qū)的真實地物報告，逡逑選取七類典型地物進行樣本點的提取，并設置訓練樣本／測試樣本比例為５０％／５０％逡逑進行實驗。ＨＹＤＩＣＥ邋Ｗａｓｈｉｎｇｔｏｎ邋ＤＣ邋Ｍａｌｌ數(shù)據(jù)的假彩色影像如圖３－２所示。逡逑ｍｍ逡逑圖３－２邋ＨＹＤＩＣＥ邋Ｗａｓｈｉｎｇｔｏｎ邋ＤＣ邋Ｍａｌｌ數(shù)據(jù)的假彩色影像圖逡逑首先對該影像進行不固定波段數(shù)的隨機選擇，圖３－３為目標函數(shù)值隨迭代次逡逑數(shù)的變化曲線圖，圖中遺傳算法、粒子群算法和杜鵑搜索算法的變化曲線相近，逡逑混沌杜鵑搜索算法較其他三種算法目標函數(shù)值更高，所選波段數(shù)也更少，同時混逡逑沌杜鵑搜索算法曲線的變化幅度較其他三種算法更大，表明混沌杜鵑搜索算法的逡逑搜索范圍更大，搜索能力更強。表３－１為不同算法迭代終止時目標函數(shù)值、總體逡逑分類精度、所選波段數(shù)和運行時間的比較，表中數(shù)據(jù)可看出混沌杜鵑搜索算法較逡逑其他三種算法優(yōu)化性能更好，較遺傳算法、粒子群算法運行時間雖較長，但目標逡逑函數(shù)值和總體分類精度更高

數(shù)的實驗結果為基礎，縮小目標波段數(shù)范圍為１－２６，然后在該范圍內分別固定波逡逑段數(shù)為１，２，…，２６進行混沌杜鵑搜索算法的波段選擇實驗，根據(jù)目標函數(shù)值的變逡逑化從而確定最終所選波段數(shù)，實驗結果如圖３－４所示。逡逑２７逡逑

【參考文獻】

相關期刊論文 前10條

1 王立國;趙亮;劉丹鳳;;基于人工蜂群算法高光譜圖像波段選擇[J];哈爾濱工業(yè)大學學報;2015年11期

2 孫彥慧;張立毅;陳雷;李鏘;滕建輔;劉靜光;;基于布谷鳥搜索算法的高光譜圖像解混算法[J];光電子·激光;2015年09期

3 尚坤;張霞;孫艷麗;張立福;王樹東;莊智;;基于植被特征庫的高光譜植被精細分類（英文）[J];光譜學與光譜分析;2015年06期

4 秦方普;張愛武;王書民;孟憲剛;胡少興;孫衛(wèi)東;;基于譜聚類與類間可分性因子的高光譜波段選擇[J];光譜學與光譜分析;2015年05期

5 黃濤;李小昱;金瑞;庫靜;徐森淼;徐夢玲;武振中;孔德國;;半透射高光譜結合流形學習算法同時識別馬鈴薯內外部缺陷多項指標[J];光譜學與光譜分析;2015年04期

6 丁婭萍;陳仲新;;基于最小距離法的RADARSAT-2遙感數(shù)據(jù)旱地作物識別[J];中國農(nóng)業(yè)資源與區(qū)劃;2014年06期

7 仇建斌;李士進;朱躍龍;萬定生;;基于曲線形狀特征的快速高光譜圖像波段選擇[J];小型微型計算機系統(tǒng);2014年08期

8 張磊;邵振峰;周熙然;丁霖;;聚類特征和SVM組合的高光譜影像半監(jiān)督協(xié)同分類[J];測繪學報;2014年08期

9 劉嘉敏;羅甫林;黃鴻;劉亦哲;;應用相關近鄰局部線性嵌入算法的高光譜遙感影像分類[J];光學精密工程;2014年06期

10 劉e

本文編號：2804597