本文關(guān)鍵詞：基于高光譜圖像的目標(biāo)分類技術(shù)研究

  更多相關(guān)文章： 高光譜圖像 目標(biāo)分類 子空間模型 馬爾可夫隨機場

【摘要】：隨著高光譜處理技術(shù)的發(fā)展,高光譜圖像分類技術(shù)受到了國內(nèi)外越來越多的研究學(xué)者關(guān)注。與傳統(tǒng)遙感影像相比,高光譜遙感圖像光譜信息豐富以及“圖譜合一”的特點,決定了其具有對地物進(jìn)行精細(xì)分類的巨大潛質(zhì),與此同時高光譜圖像數(shù)據(jù)量大維數(shù)多等特點也給高光譜圖像分類帶來了非常大的挑戰(zhàn),傳統(tǒng)遙感圖像分類方法已不再適用于高光譜圖像,因此,為了充分利用高光譜圖像的信息,研究適合高光譜圖像的分類算法具有重要研究意義。高光譜圖像常常會存在“異物同譜,同譜異物”的現(xiàn)象,給高光譜圖像精細(xì)分類帶來了較大的困難。本文提出了一種結(jié)合高光譜圖像光譜信息和空間信息的分類方法,即基于子空間結(jié)合馬爾可夫模型的監(jiān)督分類方法,并對該方法做出了改進(jìn)。子空間模型可以解決高光譜圖像數(shù)據(jù)量大的問題,馬爾科夫模型可以將高光譜圖像幾何空間中像元的連續(xù)分布轉(zhuǎn)化為像元與其鄰域的關(guān)系,可以充分利用高光譜圖像的空間信息,有效解決了“異物同譜,同譜異物”的問題。分類方法流程如下:首先通過子空間模型將高光譜圖像投影到一個低維特征子空間中,對高光譜圖像進(jìn)行預(yù)分類,然后對原始高光譜圖像經(jīng)過主成分變換,針對第一主成分提取梯度信息,構(gòu)造邊緣系數(shù),最后結(jié)合馬爾可夫模型對預(yù)分類結(jié)果再次分類,最后獲得分類結(jié)果。通過設(shè)計實驗并進(jìn)行了仿真,并對實驗結(jié)果進(jìn)行了分析與評價,實驗結(jié)果表明,本文所提出的方法具有較好的分類性能。
【學(xué)位授予單位】：長春理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP751
，

本文編號：1187915