隨著高光譜遙感技術(shù)的快速發(fā)展,高光譜遙感技術(shù)產(chǎn)生的圖像近幾年也在諸多領(lǐng)域的研究中均得到廣泛應用。高光譜數(shù)據(jù)對我們的研究提供了諸多方便。高光譜遙感數(shù)據(jù)由于其有眾多的波段,所以在使用這些數(shù)據(jù)前,需要對這些光譜信息做預處理,從處理后的光譜信息中可以通過數(shù)據(jù)分析來獲取我們需要的信息。高光譜數(shù)據(jù)應用領(lǐng)域也很廣泛,如大氣污染監(jiān)測、海洋水質(zhì)監(jiān)測治理、農(nóng)業(yè)方面對農(nóng)作物的化學成分分析、軍事目標真?zhèn)蔚呐袆e、自然災害預防等。但是正是由于高光譜的光譜波段多的特點,給數(shù)據(jù)分析也會帶來數(shù)據(jù)維數(shù)災難問題,導致計算成本非常高。所以對波段選擇顯得尤為必要。本文主要對高光譜遙感數(shù)據(jù)Indian-pines和Pavia_U通過比較使用所有特征和PCA（Principle Component Analysis）主成分提取特征,LDA（Linear Discriminant Analysis）降維后的特征,ACO（Ant Colony Optimization）選擇特征和使用GA（Genetic Algorithm）優(yōu)化SVM（Support Vector Machine）的核函數(shù)參數(shù)和調(diào)整參數(shù)來比較不同特... 

【文章來源】：蘭州大學甘肅省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：35 頁

【學位級別】：碩士

【文章目錄】：
中文摘要
Abstract
第一章 引言
    1 研究背景及應用
    2 文獻綜述
第二章 高光譜遙感及數(shù)據(jù)特性
    1 高光譜遙感
    2 高光譜遙感數(shù)據(jù)特性
    3 對高光譜遙感數(shù)據(jù)進行特征提取的意義
    4 遙感數(shù)據(jù)的分類依據(jù)
第三章 高光譜遙感圖像數(shù)據(jù)預處理方法
    1 主成分分析Principle Component Analyse(PCA)降維原理
    2 線性判別分析Linear Discriminant Analysis(LDA)降維原理
    3 蟻群優(yōu)化算法Ant Colony Optimization(ACO)
        3.1 蟻群優(yōu)化算法原理
        3.2 蟻群優(yōu)化算法在特征選擇中的應用
第四章 分類和支持向量機及遺傳算法介紹
    1 分類
    2 支持向量機
    3 遺傳算法Genetic Algrithem(GA)
        3.1 遺傳算法原理
        3.2 GA優(yōu)化算法中的參數(shù)
第五章 數(shù)據(jù)分析結(jié)果
    1 使用GA優(yōu)化SVM分類器的核函數(shù)參數(shù)和調(diào)整參數(shù)
    2 分類過程與步驟
    3 分類結(jié)果
        3.1 Indian_pines數(shù)據(jù)集分類結(jié)果
        3.2 Pavia_U數(shù)據(jù)集的分類結(jié)果
    4 數(shù)據(jù)分析結(jié)果總結(jié)
第六章 總結(jié)與展望
參考文獻
致謝



本文編號：3341256