高光譜遙感是二十世紀(jì)興起的對(duì)地觀測(cè)新型技術(shù),其具有很高的光譜分辨率,為地物提供了豐富的信息。高光譜遙感是一種新型的遙感方式,在軍事領(lǐng)域、民用領(lǐng)域等各個(gè)方面都發(fā)揮著極其重要的作用,并成為遙感領(lǐng)域的科技前沿。但由于其波段多、數(shù)據(jù)量龐大等特點(diǎn)給圖像的分類(lèi)和識(shí)別帶來(lái)了巨大的挑戰(zhàn),這使得對(duì)高光譜圖像進(jìn)行處理時(shí)易出現(xiàn)“維數(shù)災(zāi)難”現(xiàn)象,導(dǎo)致分類(lèi)精度下降。目前,國(guó)內(nèi)外很多學(xué)者都致力于研究高光譜遙感在分類(lèi)中遇到的各類(lèi)問(wèn)題和困難,并取得了一定的效果。為避免“維數(shù)災(zāi)難”現(xiàn)象的出現(xiàn),保證高光譜地物分類(lèi)識(shí)別率較高的情況下,減少數(shù)據(jù)量和冗余度,對(duì)其進(jìn)行降維處理是很有必要的。高光譜影像的波段選擇是一種很復(fù)雜的優(yōu)化組合問(wèn)題,要求所選擇的波段具有較大的信息量,各類(lèi)別之間具有較好的可分性等。本文在總結(jié)現(xiàn)有研究成果的基礎(chǔ)上對(duì)高光譜影像降維進(jìn)行了深入研究,主要內(nèi)容如下:1、高光譜影像子空間劃分。利用高光譜影像波段之間的相關(guān)性,根據(jù)波段和相關(guān)系數(shù)矩陣圖像的“分塊”特點(diǎn),以自動(dòng)子空間劃分法將高光譜數(shù)據(jù)的整個(gè)光譜空間劃分為5個(gè)初始的分類(lèi)區(qū)間,然后在初始的分類(lèi)區(qū)間中以改進(jìn)聚類(lèi)算法確定每個(gè)初始分類(lèi)區(qū)間的聚類(lèi)中心,并分別計(jì)算兩個(gè)相鄰聚類(lèi)中心與其之間波段的互信息,找出互信息之差絕對(duì)值最小的波段,以此作為子空間劃分的邊界。即自動(dòng)子空間劃分法為改進(jìn)聚類(lèi)算法提供初始的分類(lèi)區(qū)間,該分類(lèi)區(qū)間的個(gè)數(shù)即為聚類(lèi)中心的個(gè)數(shù),并在初始的分類(lèi)區(qū)間中以互信息確定邊界劃分子空間。2、高光譜影像最佳波段選擇。在劃分的子空間中運(yùn)用自適應(yīng)波段選擇法求解所有波段的指數(shù)值,并在每個(gè)子空間中選出最大的指數(shù),5個(gè)子空間即5個(gè)指數(shù),然后在5個(gè)指數(shù)中選擇最大的前3個(gè)指數(shù),此3個(gè)指數(shù)所對(duì)應(yīng)的波段即為最佳的波段組合,以此波段組合為依據(jù),為后續(xù)的地物分類(lèi)奠定基礎(chǔ)。3、面向?qū)ο蟮膱D像分類(lèi)。給出面向?qū)ο蟮膱D像分類(lèi)具體流程,并詳細(xì)介紹了支持向量機(jī)(SVM)的分類(lèi)原理,以徑向基(RBF)為核函數(shù)的SVM算法對(duì)最佳波段組合進(jìn)行分類(lèi),求其總體分類(lèi)精度、平均精度和Kappa系數(shù),并與主成分分析法(PCA)降維、最小噪聲分類(lèi)法(MNF)降維和最佳指數(shù)法(OIF)降維所求得的最佳波段組合的SVM分類(lèi)結(jié)果進(jìn)行比較。結(jié)果表明:兩類(lèi)數(shù)據(jù)采用本文基于子空間的降維方法得到的總體分類(lèi)精度分別達(dá)到了87.43%和85.92%,高于PCA、MNF和OIF降維方法的分類(lèi)精度,證明了本文所提方法的可行性。
【學(xué)位單位】：西安科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類(lèi)】：P237
【部分圖文】：

西安科技大學(xué)碩士學(xué)位論文（1）較高的光譜分辨率。（2）圖譜合一：高光譜遙感不僅可以獲得地物的空間信息，還可獲取某個(gè)像元或系列像元的輻射強(qiáng)度及其光譜特征[8]。（3）光譜波段多：每個(gè)像元均可提供一條幾乎連續(xù)的地物光譜曲線(xiàn)，可使其在某一光譜波段范圍內(nèi)連續(xù)成像[9]。高光譜遙感具有較高的光譜分辨率，其數(shù)據(jù)在軍事目標(biāo)識(shí)別[10-12]、地質(zhì)災(zāi)害分析、生態(tài)環(huán)境監(jiān)測(cè)[13-14]以及農(nóng)業(yè)生產(chǎn)[15-17]等眾多領(lǐng)域得到越來(lái)越廣泛的應(yīng)用。但由于高光譜遙感數(shù)據(jù)的固有特點(diǎn)，對(duì)其進(jìn)行監(jiān)督分類(lèi)時(shí)，隨著影像數(shù)據(jù)波段數(shù)的增加，欲達(dá)到較高的分類(lèi)精度，所需訓(xùn)練樣本的個(gè)數(shù)也不斷增加。經(jīng)驗(yàn)表明：當(dāng)訓(xùn)練樣本的個(gè)數(shù)是樣本維數(shù)的 6-10 倍時(shí)能達(dá)到較高的分類(lèi)精度，當(dāng)訓(xùn)練樣本的數(shù)目是樣本維數(shù)的 100 倍時(shí)才能達(dá)到最理想的分類(lèi)效果，但這對(duì)于具有數(shù)百個(gè)窄波段信息的高光譜影像來(lái)說(shuō)是無(wú)法滿(mǎn)足的。當(dāng)訓(xùn)練樣本的數(shù)目在一定的范圍內(nèi)時(shí)，樣本維數(shù)與分類(lèi)精度成正比，但超過(guò)一定維數(shù)后，分類(lèi)精度與樣本維數(shù)成反比，這稱(chēng)為遙感影像分類(lèi)中的“維數(shù)災(zāi)難”[6](如圖 1.1)，因此高光譜影像的龐大數(shù)據(jù)量是其應(yīng)用首先需要解決的問(wèn)題。

2 高光譜數(shù)據(jù)降維及分類(lèi)技術(shù)2 高光譜數(shù)據(jù)降維及分類(lèi)理論2.1 高光譜遙感簡(jiǎn)介2.1.1 高光譜遙感高光譜傳感器是一種光譜波段較窄的、光譜分辨率很高的成像傳感器。隨著微電子技術(shù)和探測(cè)技術(shù)的快速發(fā)展，使得高光譜遙感在光譜分辨率方面實(shí)現(xiàn)了突破性的進(jìn)展，成像光譜技術(shù)不僅可以獲得地物目標(biāo)的空間信息，也可獲取到以數(shù)十至數(shù)百個(gè)波段形式展現(xiàn)的光譜信息，將這些信息疊加可形成一個(gè)三維數(shù)據(jù)立方體，如圖 2.1 所示，三維數(shù)據(jù)立方體的優(yōu)勢(shì)在于除包括二維的平面圖像外，也可包括光譜維，從數(shù)據(jù)意義層面上來(lái)講就是光譜波段信息。

西安科技大學(xué)碩士學(xué)位論文探測(cè)區(qū)域同時(shí)成像。高光譜傳感器的光譜分辨率以納米級(jí)計(jì)算，甚至部分高光譜傳感器的光譜分辨率小于 5nm。光譜分辨率反映了光譜信息的情況，在高光譜影像中，數(shù)百個(gè)光譜圖像可展現(xiàn)某個(gè)像元的光譜，在坐標(biāo)中展示是一條近乎連續(xù)的如圖 2.2 所示的光譜曲線(xiàn)[2]。

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 黃文鈺;尚海興;;基于小波變換的高光譜遙感影像光譜匹配技術(shù)研究[J];西北水電;2013年01期

2 葛亮;王斌;張立明;;基于波段聚類(lèi)的高光譜圖像波段選擇[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2012年11期

3 沈照慶;黃亮;陶建斌;;基于支持向量機(jī)的高光譜遙感影像道路提取[J];長(zhǎng)安大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年05期

4 李穎;劉丙新;陳澎;;高光譜遙感技術(shù)在水上溢油監(jiān)測(cè)中的研究進(jìn)展[J];海洋環(huán)境科學(xué);2012年03期

5 葛亮;王斌;張立明;;基于偏最小二乘法的高光譜圖像波段選擇[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2011年11期

6 李永亮;林輝;孫華;臧卓;王四喜;;基于BP神經(jīng)網(wǎng)絡(luò)的森林樹(shù)種分類(lèi)研究[J];中南林業(yè)科技大學(xué)學(xué)報(bào);2010年11期

7 馬娜;胡云鋒;莊大方;王新生;;基于最佳波段指數(shù)和J-M距離可分性的高光譜數(shù)據(jù)最佳波段組合選取研究——以環(huán)境小衛(wèi)星高光譜數(shù)據(jù)在東莞市的應(yīng)用為例[J];遙感技術(shù)與應(yīng)用;2010年03期

8 李波;劉占宇;武洪峰;徐新剛;孫安利;黃敬峰;;基于概率神經(jīng)網(wǎng)絡(luò)的水稻穗頸瘟高光譜遙感識(shí)別初步研究[J];科技通報(bào);2009年06期

9 趙春暉;劉凡;;基于改進(jìn)自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類(lèi)[J];應(yīng)用科技;2009年08期

10 張朝陽(yáng);程海峰;陳朝輝;鄭文偉;;高光譜遙感的發(fā)展及其對(duì)軍事裝備的威脅[J];光電技術(shù)應(yīng)用;2008年01期

相關(guān)會(huì)議論文 前3條

1 房華樂(lè);任潤(rùn)東;蘇飛;梁勇;;高光譜遙感在農(nóng)業(yè)中的應(yīng)用[A];第四屆“測(cè)繪科學(xué)前沿技術(shù)論壇”論文精選[C];2012年

2 陳亮;劉代志;;高光譜遙感的軍事應(yīng)用[A];陜西地球物理文集（五）國(guó)家安全與軍事地球物理研究[C];2005年

3 童慶禧;鄭蘭芬;薛永祺;;中國(guó)高光譜遙感技術(shù)和應(yīng)用[A];第十三屆全國(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2001年

相關(guān)博士學(xué)位論文 前8條

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

2 高陽(yáng);高光譜數(shù)據(jù)降維算法研究[D];中國(guó)礦業(yè)大學(xué);2013年

3 劉穎;基于半監(jiān)督集成支持向量機(jī)的土地覆蓋遙感分類(lèi)方法研究[D];中國(guó)科學(xué)院研究生院(東北地理與農(nóng)業(yè)生態(tài)研究所);2013年

4 高曉惠;高光譜數(shù)據(jù)處理技術(shù)研究[D];中國(guó)科學(xué)院研究生院（西安光學(xué)精密機(jī)械研究所）;2013年

5 儲(chǔ)美華;遙感影像的高光譜特征研究[D];山東科技大學(xué);2007年

6 杜輝強(qiáng);高光譜遙感影像濾波和邊緣提取方法研究[D];武漢大學(xué);2004年

7 周清;土壤有機(jī)質(zhì)含量高光譜預(yù)測(cè)模型及其差異性研究[D];浙江大學(xué);2004年

8 何挺;土地質(zhì)量高光譜遙感監(jiān)測(cè)方法研究[D];武漢大學(xué);2003年

相關(guān)碩士學(xué)位論文 前10條

1 趙斌;基于核MNF變換的高光譜數(shù)據(jù)降維算法研究[D];中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院遙感與數(shù)字地球研究所);2017年

2 豐爍;高光譜圖像波段選取問(wèn)題的改進(jìn)算法研究[D];昆明理工大學(xué);2015年

3 閆會(huì)敏;基于SVM與子空間結(jié)合的高光譜圖像分類(lèi)算法研究[D];西安科技大學(xué);2014年

4 陳宏達(dá);高光譜遙感圖像的降維與分類(lèi)研究[D];復(fù)旦大學(xué);2013年

5 孫墨寒;高光譜數(shù)據(jù)誤差估計(jì)及降維方法研究[D];中國(guó)地質(zhì)大學(xué)（北京）;2013年

6 徐鈺明;高光譜遙感影像異常檢測(cè)與分類(lèi)技術(shù)研究[D];杭州電子科技大學(xué);2013年

7 李靜;高光譜遙感影像降維及分類(lèi)方法研究[D];中南大學(xué);2012年

8 朱俊良;高光譜遙感圖像分割算法研究[D];成都理工大學(xué);2011年

9 楊希明;高光譜遙感圖像分類(lèi)方法研究[D];哈爾濱工程大學(xué);2007年

10 楊諸勝;高光譜圖像降維及分割研究[D];西北工業(yè)大學(xué);2006年

本文編號(hào)：2824683