本文選題：高光譜圖像 + 波段選擇��； 參考：《杭州電子科技大學(xué)》2017年碩士論文

【摘要】：高光譜遙感豐富的光譜信息帶來的海量數(shù)據(jù)大大增加了數(shù)據(jù)處理的時(shí)空復(fù)雜度并影響處理結(jié)果,有效的波段選擇方法可以在大大提高高光譜圖像處理速度的同時(shí)改善處理效果。因此,研究高光譜圖像波段選擇技術(shù)具有重要意義。本文主要研究基于最優(yōu)子集準(zhǔn)則的高光譜波段選擇算法框架及具體算法過程,論文主要工作如下:(1)綜述了高光譜圖像波段選擇的背景及意義、并分析總結(jié)國內(nèi)外研究現(xiàn)狀,確定本文研究的主要內(nèi)容和預(yù)期成果,最后說明本文組織結(jié)構(gòu)。(2)對(duì)本文涉及到的相關(guān)基礎(chǔ)知識(shí)進(jìn)行系統(tǒng)介紹,包括粒子群優(yōu)化算法的原理及參數(shù)設(shè)置、常見的聚類算法,為后面提出的幾種波段選擇算法奠定了理論基礎(chǔ)。(3)介紹高光譜圖像波段選擇的最優(yōu)子集準(zhǔn)則和常見的搜索策略,并引出本文用到的準(zhǔn)則和搜索策略。然后構(gòu)建基于最優(yōu)子集準(zhǔn)則直接尋優(yōu)的波段選擇算法框架,以此框架為基礎(chǔ)提出基于MNBS準(zhǔn)則粒子群直接尋優(yōu)的波段選擇算法,該算法利用連續(xù)前向選擇(SFS)搜索一組較好的波段子集,以此來初始化粒子群算法的初始粒子位置列表,跟隨機(jī)初始化相比,降低了算法本身的初始敏感問題帶來的影響;構(gòu)建并簡單介紹基于聚類結(jié)合最優(yōu)子集尋優(yōu)的波段選擇算法框架,基于該框架提出一種使用譜聚類對(duì)波段進(jìn)行聚類,然后結(jié)合MNBS準(zhǔn)則粒子群直接尋優(yōu)的波段選擇算法;最后設(shè)計(jì)基于關(guān)鍵波段選擇和最優(yōu)子集尋優(yōu)的波段選擇算法框架,提出了基于光譜角距離度量的聚類性能有效性指標(biāo),并結(jié)合視覺評(píng)估集群趨勢(shì)確定聚類類別,然后根據(jù)關(guān)鍵波段提取結(jié)合MNBS準(zhǔn)則粒子群尋優(yōu)的波段選擇算法。(4)對(duì)本文驗(yàn)證實(shí)驗(yàn)用到的RX異常檢測(cè)和兩種分類方法(KNN、SVM)做了簡單介紹,通過異常檢測(cè)和分類實(shí)驗(yàn),對(duì)提出的幾種波段選擇算法進(jìn)行性能比較和分析。(5)總結(jié)本文主要做的工作,并對(duì)基于最優(yōu)子集的波段選擇的發(fā)展方向進(jìn)行展望。
[Abstract]:The massive data brought by hyperspectral remote sensing information greatly increases the time and space complexity of the data processing and affects the processing results. The effective band selection method can improve the processing speed of hyperspectral image processing and improve the processing effect. Therefore, it is of great significance to study the band selection technique of hyperspectral images. This paper mainly studies the framework and specific algorithm process of hyperspectral band selection algorithm based on optimal subset criteria. The main work of this paper is as follows: (1) the background and significance of spectral band selection in hyperspectral images are reviewed, and the research status at home and abroad is summarized, the main content and expected results of this study are determined, and the structure of this paper is explained at the end of the paper (2) The basic knowledge involved in this paper is systematically introduced, including the principle and parameter setting of particle swarm optimization algorithm. The common clustering algorithm lays a theoretical foundation for several band selection algorithms proposed later. (3) introduce the optimal subset criterion and common search strategy of spectral band selection for hyperspectral images, and lead to the use of this paper. In this framework, a band selection algorithm based on MNBS criterion particle swarm optimization is proposed. The algorithm uses continuous forward selection (SFS) to search a set of better set of wavelet subsets to initialize the initial particle swarm optimization algorithm. The initial particle location list, compared with random initialization, reduces the impact of the initial sensitivity of the algorithm itself. The framework of band selection algorithm based on clustering and optimal subset optimization is introduced. Based on the framework, a spectral clustering is used to cluster the bands, and then the MNBS criterion particle swarm optimization is used to direct the optimization. The band selection algorithm based on the key band selection and the optimal subset optimization is designed. The clustering performance effectiveness index based on the spectral angular distance measurement is proposed. The clustering classification is determined by the vision evaluation cluster trend, and then the band selection based on the MNBS criterion particle swarm optimization is extracted according to the key wave segment. (4) a brief introduction is made to the RX anomaly detection and two classification methods (KNN, SVM) used in this experiment. The performance comparison and analysis of several band selection algorithms are carried out by abnormity detection and classification experiments. (5) the main work of this paper is summarized, and the development direction of band selection based on the optimal subset is carried out. Look ahead.

【學(xué)位授予單位】：杭州電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP751

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王藝婷;黃世奇;劉代志;王百合;;一種新的基于目標(biāo)檢測(cè)的波段選擇方法[J];紅外與激光工程;2013年08期

2 馮永康;余華;;多光譜數(shù)據(jù)波段選擇方法試驗(yàn)研究——以湖北神農(nóng)架林區(qū)為例[J];遙感信息;2009年05期

3 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

4 王立國,谷延鋒,張曄;基于支持向量機(jī)和子空間劃分的波段選擇方法[J];系統(tǒng)工程與電子技術(shù);2005年06期

5 李行;毛定山;張連蓬;;高光譜遙感影像波段選擇算法評(píng)價(jià)方法研究[J];地理與地理信息科學(xué);2006年06期

6 楊諸勝;郭雷;羅欣;胡新韜;;一種基于主成分分析的高光譜圖像波段選擇算法[J];微電子學(xué)與計(jì)算機(jī);2006年12期

7 于紹慧;張玉鈞;趙南京;肖雪;王歡博;;基于矩陣模式的高光譜波段選擇方法[J];光電工程;2012年06期

8 張海濤;王鶴橋;孟祥羽;武文波;;基于類對(duì)可分和灰色決策的高光譜波段選擇方法[J];計(jì)算機(jī)科學(xué);2014年06期

9 周楊;厲小潤;趙遼英;;改進(jìn)的高光譜圖像線性預(yù)測(cè)波段選擇算法[J];光學(xué)學(xué)報(bào);2013年08期

10 溫健婷;張霞;張兵;趙冬;;土壤鉛含量高光譜遙感反演中波段選擇方法研究[J];地球科學(xué)進(jìn)展;2010年06期

相關(guān)會(huì)議論文 前4條

1 王藝婷;黃世奇;劉代志;陳聰;;基于統(tǒng)計(jì)排序的高光譜波段選擇方法[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

2 王藝婷;黃世奇;劉代志;;高光譜遙感圖像波段選擇現(xiàn)狀研究[A];國家安全地球物理叢書（七）——地球物理與核探測(cè)[C];2011年

3 張霞;溫健婷;黃長平;李慶亭;;土壤鉛含量高光譜遙感反演中波段選擇方法研究[A];第八屆成像光譜技術(shù)與應(yīng)用研討會(huì)暨交叉學(xué)科論壇文集[C];2010年

4 林君琴;劉允良;吳至善;;巖石波譜多光譜遙感波段選擇研究[A];1994年中國地球物理學(xué)會(huì)第十屆學(xué)術(shù)年會(huì)論文集[C];1994年

相關(guān)重要報(bào)紙文章 前2條

1 陜西 瞿貴榮 張鳳娥;SS-40汽車音響波段控制電路及檢修[N];電子報(bào);2010年

2 陜西 瞿貴榮 張鳳娥;德生R-9700收音機(jī)電子波段轉(zhuǎn)換電路及檢修[N];電子報(bào);2008年

相關(guān)博士學(xué)位論文 前2條

1 董玉翠;特定背景下點(diǎn)目標(biāo)探測(cè)最優(yōu)波段選擇方法的研究[D];中國科學(xué)院研究生院(上海技術(shù)物理研究所);2015年

2 夏威;高光譜遙感圖像的解混和波段選擇方法研究[D];復(fù)旦大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 夏冰;高光譜影像非監(jiān)督波段選擇技術(shù)研究[D];蘇州大學(xué);2015年

2 鐔永強(qiáng);基于多目標(biāo)優(yōu)化的高光譜圖像無監(jiān)督波段選擇[D];西安電子科技大學(xué);2014年

3 張路;基于多模式觀測(cè)的高光譜波段選擇及其應(yīng)用探究[D];西安科技大學(xué);2015年

4 孫肖;基于空間統(tǒng)計(jì)學(xué)的高光譜降維后波段選擇方法研究[D];中國地質(zhì)大學(xué)(北京);2016年

5 韓超;基于稀疏表示和低秩表示的高光譜圖像波段選擇方法研究[D];西安電子科技大學(xué);2015年

6 姚利;基于標(biāo)記樣本擴(kuò)展的高光譜波段選擇技術(shù)[D];西安電子科技大學(xué);2015年

7 張紹杰;基于互信息量的超光譜數(shù)據(jù)波段選擇降維算法研究[D];華中科技大學(xué);2015年

8 劉斌;基于高光譜最優(yōu)波段選擇的地物分類方法研究[D];中國石油大學(xué)(華東);2015年

9 張倩;改進(jìn)的自適應(yīng)波段選擇算法研究及應(yīng)用[D];大連海事大學(xué);2012年

10 周楊;高光譜遙感圖像波段選擇算法研究[D];浙江大學(xué);2014年

，

本文編號(hào)：1847122