本文選題：礦產(chǎn)遙感圖像　切入點(diǎn)：礦化蝕變信息提取　出處：《南京航空航天大學(xué)》2017年碩士論文

【摘要】：礦產(chǎn)遙感圖像的信息提取是遙感技術(shù)在地質(zhì)勘探中的一個(gè)重要應(yīng)用。研究基于礦產(chǎn)遙感圖像的信息提取方法,可為區(qū)域成礦預(yù)測提供依據(jù),加快礦產(chǎn)資源勘查評價(jià)的速度,有利于促進(jìn)當(dāng)?shù)氐V業(yè)經(jīng)濟(jì)健康穩(wěn)定的發(fā)展。本文在前人工作的基礎(chǔ)上,深入研究了基于礦產(chǎn)遙感圖像的信息提取所涉及的若干關(guān)鍵技術(shù),包括礦產(chǎn)遙感圖像增強(qiáng)、邊緣檢測、匹配、聚類和礦化蝕變信息提取,主要工作如下:首先,提出了一種基于分階段進(jìn)化粒子群優(yōu)化(Multi-stages Particle Swarm Optimization,MSPSO)的非下采樣Shearlet變換(Non-subsampled Shearlet Tansform,NSST)域礦產(chǎn)遙感圖像增強(qiáng)方法。對待增強(qiáng)圖像進(jìn)行NSST分解,得到一個(gè)低頻子帶和多個(gè)高頻子帶;依據(jù)自適應(yīng)貝葉斯閾值法和非線性變換對高頻子帶系數(shù)進(jìn)行處理;利用模糊集增強(qiáng)方法增強(qiáng)低頻子帶系數(shù),并引入MSPSO算法對模糊參數(shù)進(jìn)行優(yōu)化。實(shí)驗(yàn)結(jié)果表明,與雙向直方圖均衡方法、平穩(wěn)小波變換方法、非下采樣Contourlet變換(Non-subsampled Contourlet Transform,NSCT)自適應(yīng)閾值方法、NSCT人工蜂群優(yōu)化方法等4種增強(qiáng)方法相比,該方法能有效提高圖像的對比度和清晰度,視覺效果最佳。然后,研究了一種基于L0梯度最小化模型和NSST的礦產(chǎn)遙感圖像邊緣檢測方法。利用具有邊緣保持能力的L0梯度最小化模型對圖像進(jìn)行濾波平滑,突出圖像的邊緣信息,進(jìn)而運(yùn)用Canny算子初步檢測圖像的邊緣;采用NSST獲得圖像的高頻子帶,運(yùn)用模極大值法檢測高頻子帶豐富的邊緣細(xì)節(jié)信息;將初步檢測的結(jié)果與高頻子帶檢測的結(jié)果融合,獲得最終的圖像邊緣。實(shí)驗(yàn)結(jié)果表明,與Canny方法、NSCT模極大值方法、NSST尺度積方法相比,該方法能夠獲得定位準(zhǔn)確且更為清晰、連續(xù)的圖像邊緣。其次,討論了一種基于改進(jìn)加速分割特征檢測(Features from Accelerated Segment Test,FAST)和加速魯棒特征(Speed Up Robust Features,SURF)的礦產(chǎn)遙感圖像匹配方法。首先,分別對參考圖像與待匹配圖像創(chuàng)建圖像高斯金字塔,接著在金字塔的每一層采用FAST算法初步提取特征點(diǎn),再運(yùn)用Harris角點(diǎn)檢測算法進(jìn)行篩選獲得待匹配特征點(diǎn)集;然后求得所有特征點(diǎn)的SURF描述子;依據(jù)最近鄰匹配搜索策略進(jìn)行粗匹配;利用隨機(jī)抽樣一致(Random Sample Consensus,RANSAC)算法剔除錯(cuò)誤匹配點(diǎn)對,得到最終的匹配結(jié)果。實(shí)驗(yàn)結(jié)果表明,與SURF方法以及近來提出的基于Harris和SURF的方法、基于FAST和SURF的方法相比,該方法能夠獲得更高的匹配正確率和匹配精度,且對亮度、尺度變化和噪聲等具有更強(qiáng)的適應(yīng)能力。再次,給出了一種基于改進(jìn)迭代自組織數(shù)據(jù)分析(Iterative Self-organizing Data Analysis,ISODATA)和快速密度峰值搜索的礦產(chǎn)遙感圖像聚類方法。利用快速密度峰值搜索算法確定待聚類圖像的初始聚類中心;然后將待聚類圖像從RGB色彩空間轉(zhuǎn)換到Lab色彩空間;并引入像元的鄰域信息改進(jìn)ISODATA方法的聚類準(zhǔn)則;在Lab色彩空間運(yùn)用改進(jìn)的ISODATA聚類準(zhǔn)則進(jìn)行聚類,得到最終的聚類結(jié)果。實(shí)驗(yàn)結(jié)果表明,與ISODATA方法、改進(jìn)模糊ISODATA方法及基于ISODATA和粒子群優(yōu)化(Particle Swarm Optimization,PSO)的方法等3種聚類方法相比,該方法能夠快速準(zhǔn)確地對遙感圖像進(jìn)行聚類,并具有更好的抗噪聲能力。最后,提出了一種基于主成分分析(Principal Component Analysis,PCA)和布谷鳥算法優(yōu)化支持向量機(jī)(Support Vector Machine,SVM)的遙感礦化蝕變信息提取方法。利用波段比值法增強(qiáng)研究區(qū)遙感圖像中的礦化蝕變信息,并獲得比值圖像;然后對比值圖像進(jìn)行主成分分析,選取羥基和鐵染主成分,進(jìn)而提取訓(xùn)練樣本;利用SVM對訓(xùn)練樣本進(jìn)行訓(xùn)練,同時(shí)采用布谷鳥算法求取SVM的最優(yōu)核參數(shù)及懲罰因子,確定最優(yōu)SVM模型;運(yùn)用最優(yōu)SVM模型完成遙感礦化蝕變信息提取。選擇青海省五龍溝地區(qū)為研究區(qū),提取羥基蝕變信息和鐵染蝕變信息。實(shí)驗(yàn)結(jié)果表明,與近年來提出的3種方法相比,該方法提取的遙感礦化蝕變信息與已知礦點(diǎn)的吻合度最高,提取效果最好。
[Abstract]:......
【學(xué)位授予單位】：南京航空航天大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP751

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 趙泉華;李曉麗;趙雪梅;李玉;;結(jié)合Voronoi劃分HMRF模型的模糊ISODATA圖像分割[J];信號處理;2016年10期

2 盛華;張桂珠;;一種融合K-means和快速密度峰值搜索算法的聚類方法[J];計(jì)算機(jī)應(yīng)用與軟件;2016年10期

3 李克清;葛柳飛;戴歡;;基于CFSFDP與ELM相結(jié)合的半監(jiān)督室內(nèi)定位算法[J];武漢大學(xué)學(xué)報(bào)(理學(xué)版);2016年05期

4 陳潔;高志強(qiáng);密保秀;陳會;;引入極線約束的SURF特征匹配算法[J];中國圖象圖形學(xué)報(bào);2016年08期

5 孟天亮;吳一全;吳詩Zs;;基于引導(dǎo)濾波和NSST的工業(yè)CT圖像邊緣檢測[J];應(yīng)用科學(xué)學(xué)報(bào);2016年04期

6 馬春來;單洪;馬濤;;一種基于簇中心點(diǎn)自動選擇策略的密度峰值聚類算法[J];計(jì)算機(jī)科學(xué);2016年07期

7 褚睿鴻;王紅軍;楊燕;李天瑞;;基于密度峰值的聚類集成[J];自動化學(xué)報(bào);2016年09期

8 吳鵬;徐洪玲;李雯霖;宋文龍;張佳薇;;基于區(qū)域檢測的多尺度Harris角點(diǎn)檢測算法[J];哈爾濱工程大學(xué)學(xué)報(bào);2016年07期

9 董崇杰;劉毅;彭勇;;改進(jìn)布谷鳥算法在人群疏散多目標(biāo)優(yōu)化中的應(yīng)用[J];系統(tǒng)仿真學(xué)報(bào);2016年05期

10 吳浩;徐元進(jìn);范高晶;孟鵬燕;;奇異值分解在ETM~+遙感蝕變信息提取中的應(yīng)用——以青海省五龍溝金礦勘查區(qū)為例[J];地理與地理信息科學(xué);2016年02期

相關(guān)博士學(xué)位論文 前2條

1 崔寧;青海東昆侖大灶火區(qū)域鎳礦定量預(yù)測與評價(jià)[D];中國地質(zhì)大學(xué)(北京);2016年

2 王東;基于粒子群智能的遙感找礦方法研究[D];中南大學(xué);2008年

相關(guān)碩士學(xué)位論文 前1條

1 劉麗雅;基于國產(chǎn)GF-1的高寒山區(qū)土地利用/覆蓋分類研究[D];浙江大學(xué);2016年

，

本文編號：1665392