本文選題：圖像分析　切入點：高光譜圖像　出處：《鄭州大學》2017年碩士論文

【摘要】：高光譜圖像包含豐富的空間信息和光譜信息,具有圖譜合一的特點�？臻g信息中的每個像元,在數(shù)百個波段上形成的連續(xù)光譜信息特征,是完成圖像分析的重要依據(jù)。高光譜圖像整合物體空間的幾何特征與光譜的類別屬性對地物探測、目標識別等領(lǐng)域的研究具有重要價值。研究高光譜圖像分析方法,不論是篩選高質(zhì)量波段圖像,還是精細探測地物類型,以及地物屬性分類,都為高光譜圖像信息的深入挖掘和量化分析提供有效途徑。高光譜圖像的分析方法主要包括:波段選擇、端元提取、地物分類。波段選擇是高光譜圖像的預處理步驟,選擇高信噪比波段圖像,去除冗余信息是精確處理的重要保證。端元提取確定高光譜圖像中純凈的地物類別光譜,是混合像元在亞像元完成目標探測的重要步驟,所提取的端元光譜對分類及識別精度有重要影響。地物分類完成同類別地物的區(qū)域劃分,為決策規(guī)劃提供依據(jù)。傳統(tǒng)高光譜圖像分析方法欠缺空間信息和光譜信息間的有機結(jié)合,缺乏確定高光譜圖像分析時波段數(shù)目、端元數(shù)量、地物類別的參數(shù)化指標。針對以上缺點,本文創(chuàng)新性地提出基于峰值密度聚類算法的高光譜圖像分析方法,利用算法得出的參數(shù)化指標,依次完成波段選擇、端元提取、地物分類的高光譜圖像分析。引入超像元分割算法,提升高光譜圖像空間信息與光譜信息的利用率,降低算法運算負擔,增強全局優(yōu)化能力,系統(tǒng)性研究高光譜圖像分析方法。本文在第一章高光譜遙感研究概述的基礎(chǔ)上,圍繞高光譜圖像分析技術(shù),開展波段選擇、端元提取、地物分類三方面論述。第二章討論經(jīng)典聚類方法的不足,闡明峰值密度聚類與超像元分割算法的優(yōu)勢。借鑒國內(nèi)外研究進展,提出創(chuàng)新性的技術(shù)路線和研究思路。從本文的第三至第五章開始,各章節(jié)以算法原理,實驗數(shù)據(jù),評價指標,分析討論的整體框架,分別對應(yīng)波段選擇、端元提取和地物分類的高光譜圖像分析方法展開研究�？傮w來說,本文在高光譜圖像分析中取得如下進展:(1)針對高光譜相鄰波段圖像之間信息相關(guān)性強,冗余度大的問題。提出一種基于峰值密度聚類的波段選擇算法。該方法在選擇波段的數(shù)量方面,提出輔助性參數(shù)化方案。通過確定的波段數(shù)量,利用高光譜圖像波段之間的相關(guān)性,劃分出信息量相關(guān)的波段圖像子集,提取以上子集的峰值密度聚類特征,構(gòu)建組合特征的高光譜圖像,并采用支持向量機完成地物分類。該方法通過參數(shù)指標確定選擇波段數(shù)量,成功去除高光譜相鄰波段圖像的冗余信息對分類效果的干擾,克服算法收斂慢、全局優(yōu)化能力弱的缺陷,提升波段選擇效果。(2)本文在綜合經(jīng)典端元提取算法思想的基礎(chǔ)上,提出基于峰值密度聚類的端元提取算法。該方法利用線性光譜混合模型,結(jié)合混合像元光譜在高維空間上的分布特點,估計端元數(shù)目篩選純像元光譜,解決端元提取算法中端元數(shù)目估計問題。(3)在地物分類方面,針對目前大多數(shù)算法利用高光譜圖像空間信息不足的缺點,提出整合超像元分割和峰值密度的高光譜圖像聚類算法。使超像元作為峰值密度算法的最小聚類單位,利用圖像形態(tài)學特征減少高光譜圖像數(shù)據(jù)量,排除異常像元的干擾。該方法不僅減輕算法運算負擔,同時確定地物的類別數(shù)量,提升聚類精度。最后,第六章對全文工作進行總結(jié),并指明下一步研究方向。
[Abstract]:Hyperspectral image contains abundant spectral information and spatial information, has the characteristics of spectral image. Each pixel in the spatial information and spectral information of continuous features formed in hundreds of bands, is an important basis for image analysis. The class attribute of geometric features of the hyperspectral image integration object space and spectrum of feature detection study, object recognition has important value. Analysis method of hyperspectral image, whether screening of high quality band image, or fine detection of the type of features, and features of attribute classification for hyperspectral image mining in-depth and quantitative information analysis provides the effective way. The analysis method of hyperspectral image mainly includes: the band selection of endmember extraction, classification. Band selection is a preprocessing step of hyperspectral image, high SNR band image, remove redundant information is accurate processing An important guarantee. Endmember extraction determine objects spectral pure hyperspectral image, is an important step to complete the mixed pixel target detection in subpixel endmember extraction, which have an important impact on the accuracy of classification and recognition. The classification of objects with complete division of categories, provide the basis for decision-making. The traditional hyperspectral the image analysis method is lack of spatial information and spectral information of the organic combination, lack of the hyperspectral image analysis when the band number, the number of endmembers parametric index classes. In view of the above shortcomings, this paper proposes the analysis method of hyperspectral image peak density based clustering algorithm, using parametric index algorithm is derived. In order to complete the band selection, endmember extraction of hyperspectral image classification. The introduction of super pixel segmentation algorithm, hyperspectral image spatial and spectral information promotion The utilization rate, reduce the computation burden, enhance the ability of global optimization and system analysis method of hyperspectral image. In this paper, the first chapter outlines the hyperspectral remote sensing research, on the hyperspectral image analysis technology, carry out band selection, endmember extraction, feature points on the three aspects. The second chapter discusses the shortcomings of the classic clustering method, clarify the peak density clustering and super pixel segmentation algorithm. The advantages of using domestic and foreign research, put forward the technical route and research innovation. From the beginning of the third to fifth chapters, each chapter in the algorithm principle, experimental data, evaluation index, analysis and discussion of the overall framework, corresponding to band selection, expansion study on hyperspectral image endmember extraction and classification analysis method. In general, this paper made the following progress in hyperspectral image analysis: (1) for high spectral image of the adjacent band The information redundancy problem of strong correlation. Proposed a band selection algorithm based on peak density clustering. In the number of band selection methods, put forward the scheme of auxiliary parameters. By determining the number of bands, using the correlation between bands of hyperspectral image, divides the band image information related subset. The peak density clustering feature extraction above subset of the hyperspectral image to construct feature combination, and the support vector machine to complete the classification. This method through the parameters determine the choice of band number, successful removal of interference of redundant information in hyperspectral image classification results of the adjacent band, to overcome the slow convergence of the algorithm, global optimization is weak. Enhance the band selection effect. (2) based on the comprehensive classic endmember extraction algorithm based on the idea, put forward the endmember extraction algorithm based on density clustering. The peak By using the method of linear spectral mixture model, combined with the characteristics of spectral distribution of mixed pixels in high-dimensional space, estimate the number of endmembers were pure pixel spectra, solve the number of endmembers endmember extraction algorithm in the estimation problem. (3) in the classification, for most of the current algorithms insufficient use of hyperspectral image spatial information shortcomings, put forward hyperspectral image clustering algorithm integrating the super pixel segmentation and peak density. The super pixel as the smallest unit of peak density clustering algorithm, using morphological image reduction of hyperspectral image data, excluding abnormal like yuan interference. This method not only reduces the computational burden, and determine the number of object categories, improve the clustering accuracy. Finally, the sixth chapter summarizes the work and points out the next research direction.

【學位授予單位】：鄭州大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP751

【相似文獻】

相關(guān)期刊論文 前10條

1 陳雨時;張曄;張鈞萍;;基于線性模型最優(yōu)預測的高光譜圖像壓縮[J];南京航空航天大學學報;2007年03期

2 諶德榮;宮久路;陳乾;曹旭平;;基于樣本分割的快速高光譜圖像異常檢測支持向量數(shù)據(jù)描述方法[J];兵工學報;2008年09期

3 蒲曉豐;雷武虎;張林虎;蔣奇材;;基于Fukunaga-Koontz變換的高光譜圖像異常檢測[J];紅外技術(shù);2010年04期

4 成寶芝;郭宗光;;高光譜圖像波段間相關(guān)特性研究[J];大慶師范學院學報;2013年06期

5 楊龍;易宏杰;李因彥;;遙感高光譜圖像赤潮識別[J];傳感器世界;2007年05期

6 汪倩;陶鵬;;結(jié)合空間信息的高光譜圖像快速分類方法[J];微計算機信息;2010年21期

7 王立國;孫杰;肖倩;;結(jié)合空-譜信息的高光譜圖像分類方法[J];黑龍江大學自然科學學報;2010年06期

8 馮朝麗;朱啟兵;朱曉;黃敏;;基于光譜特征的玉米品種高光譜圖像識別[J];江南大學學報(自然科學版);2012年02期

9 付歡;龍海南;韓曉霞;;基于冗余字典的高光譜圖像的稀疏分解[J];河北軟件職業(yè)技術(shù)學院學報;2013年04期

10 耿修瑞,張霞,陳正超,張兵,鄭蘭芬,童慶禧;一種基于空間連續(xù)性的高光譜圖像分類方法[J];紅外與毫米波學報;2004年04期

相關(guān)會議論文 前10條

1 張兵;王向偉;鄭蘭芬;童慶禧;;高光譜圖像地物分類與識別研究[A];成像光譜技術(shù)與應(yīng)用研討會論文集[C];2004年

2 高連如;張兵;孫旭;李山山;張文娟;;高光譜數(shù)據(jù)降維與分類技術(shù)研究[A];第八屆成像光譜技術(shù)與應(yīng)用研討會暨交叉學科論壇文集[C];2010年

3 王成;何偉基;陳錢;;基于波段重組和小波變換的高光譜圖像嵌入式壓縮方法[A];黑龍江、江蘇、山東、河南、江西 五省光學（激光）聯(lián)合學術(shù)‘13年會論文（摘要）集[C];2013年

4 孫蕾;羅建書;;基于分類預測的高光譜遙感圖像無損壓縮[A];第一屆建立和諧人機環(huán)境聯(lián)合學術(shù)會議（HHME2005）論文集[C];2005年

5 楊勇;劉木華;鄒小蓮;苗蓬勃;趙珍珍;;基于高光譜圖像技術(shù)的獼猴桃硬度品質(zhì)檢測[A];走中國特色農(nóng)業(yè)機械化道路——中國農(nóng)業(yè)機械學會2008年學術(shù)年會論文集（下冊）[C];2008年

6 張曉紅;張立福;王晉年;童慶禧;;HJ-1A衛(wèi)星高光譜遙感圖像質(zhì)量綜合評價[A];第八屆成像光譜技術(shù)與應(yīng)用研討會暨交叉學科論壇文集[C];2010年

7 高東生;高連知;;基于獨立分量分析的高光譜圖像目標盲探測方法研究[A];國家安全地球物理叢書（八）——遙感地球物理與國家安全[C];2012年

8 馮維一;陳錢;何偉基;;基于小波稀疏的高光譜目標探測算法[A];黑龍江、江蘇、山東、河南、江西 五省光學（激光）聯(lián)合學術(shù)‘13年會論文（摘要）集[C];2013年

9 彭妮娜;易維寧;方勇華;;基于核函數(shù)的高光譜圖像信息提取研究[A];光子科技創(chuàng)新與產(chǎn)業(yè)化——長三角光子科技創(chuàng)新論壇暨2006年安徽博士科技論壇論文集[C];2006年

10 蒲曉豐;雷武虎;黃濤;王迪;;基于穩(wěn)健背景子空間的高光譜圖像異常檢測[A];中國光學學會2010年光學大會論文集[C];2010年

相關(guān)博士學位論文 前10條

1 普晗曄;高光譜遙感圖像的解混理論和方法研究[D];復旦大學;2014年

2 王亮亮;非線性流形結(jié)構(gòu)在高光譜圖像異常檢測中的應(yīng)用研究[D];國防科學技術(shù)大學;2014年

3 賀智;改進的經(jīng)驗模態(tài)分解算法及其在高光譜圖像分類中的應(yīng)用[D];哈爾濱工業(yè)大學;2014年

4 魏然;基于成像機理分析的高光譜圖像信息恢復研究[D];哈爾濱工業(yè)大學;2015年

5 葉珍;高光譜圖像特征提取與分類算法研究[D];西北工業(yè)大學;2015年

6 馮婕;基于軟計算和互信息理論的遙感圖像地物分類[D];西安電子科技大學;2014年

7 孫濤;快速多核學習分類研究及應(yīng)用[D];西安電子科技大學;2015年

8 李昌國;基于譜間和校正相關(guān)性的高光譜圖像壓縮方法研究及GPU并行實現(xiàn)[D];成都理工大學;2015年

9 高放;高光譜圖像無損預測壓縮技術(shù)研究[D];吉林大學;2016年

10 曲海成;面向光譜解混的高光譜圖像快速處理技術(shù)研究[D];哈爾濱工業(yè)大學;2016年

相關(guān)碩士學位論文 前10條

1 于文博;基于峰值密度聚類的高光譜圖像分析方法研究[D];鄭州大學;2017年

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

3 趙偉彥;果蔬干燥過程中的品質(zhì)無損檢測技術(shù)研究[D];江南大學;2015年

4 馬亞楠;果蔬中內(nèi)部害蟲的高光譜圖像檢測技術(shù)研究[D];江南大學;2015年

5 劉大洋;基于近紅外光譜和高光譜圖像技術(shù)無損識別獼猴桃膨大果[D];西北農(nóng)林科技大學;2015年

6 王坤;高光譜圖像異常目標檢測及光譜成像在偽裝評估方面的應(yīng)用研究[D];南京理工大學;2015年

7 王啟聰;高光譜圖像分類的GPU并行優(yōu)化研究[D];南京理工大學;2015年

8 程凱;無先驗信息的高光譜圖像小目標檢測算法研究[D];蘇州大學;2015年

9 李秩期;基于高光譜及多信息融合的馬鈴薯外部缺陷無損檢測研究[D];寧夏大學;2015年

10 王健;基于高光譜圖像的馬鈴薯形狀及重量分類識別建模研究[D];寧夏大學;2015年

，

本文編號：1672587