【摘要】：高光譜圖像(Hyperspectral Image)通常指光譜分辨率在10nm數(shù)量級(jí)范圍內(nèi)的光譜圖像。遙感技術(shù)經(jīng)過(guò)半個(gè)世紀(jì)的發(fā)展,無(wú)論在理論上、技術(shù)上還是應(yīng)用上均發(fā)生了重大的變化。其中,高光譜圖像技術(shù)的出現(xiàn)和快速發(fā)展無(wú)疑是這種變化中十分突出的一個(gè)方面。通過(guò)搭載在不同空間平臺(tái)上的高光譜傳感器,在電磁波譜的紫外、可見(jiàn)光、近紅外和中紅外區(qū)域,以數(shù)十至數(shù)百個(gè)連續(xù)且細(xì)分的光譜波段對(duì)目標(biāo)區(qū)域同時(shí)成像。在獲得地表圖像信息的同時(shí),也獲得其光譜信息,第-次真正做到了光譜與圖像的結(jié)合。 盡管高光譜遙感圖像具有更高光譜分辨率,但是由于其高數(shù)據(jù)維度的特點(diǎn),使得應(yīng)用于多光譜圖像(Multispectral Image)的統(tǒng)計(jì)分類器往往不能有效地應(yīng)用于高光譜遙感圖像。當(dāng)訓(xùn)練樣本有限,而光譜波段增加時(shí),例如最大似然分類器,支持向量機(jī)分類器等都會(huì)出現(xiàn)分類精度隨著特征維數(shù)增加而降低的現(xiàn)象,即所謂的“維數(shù)災(zāi)難”(Curse of Dimensionality),也稱Hughes現(xiàn)象。本文對(duì)實(shí)際數(shù)據(jù)做了實(shí)驗(yàn),對(duì)維度災(zāi)難問(wèn)題做出解釋和更深研究。 本文的主要?jiǎng)?chuàng)新點(diǎn)包含以下幾個(gè)方面： 1、提出兩種基于圖像距離(Image Euclidean Distance)的流形降維算法：圖像距離的等距映射算法和圖像距離的局部線性嵌入算法。這兩種算法針對(duì)高光譜圖像數(shù)據(jù)的圖像特點(diǎn),在過(guò)去的基于數(shù)據(jù)的降維方法上,引入了圖像的空間信息,將高光譜數(shù)據(jù)中單純表示數(shù)據(jù)距離的歐氏距離進(jìn)行了改進(jìn),擴(kuò)展成了高光譜數(shù)據(jù)的圖像距離。使用基于圖像距離的流形降維方法對(duì)實(shí)際高光譜圖像數(shù)據(jù)降維處理后,不但分類精度上有了提高,而且分類后視覺(jué)效果也有了提高。 2、提出基于光譜角距離(Spectral Angle)的自組織神經(jīng)網(wǎng)絡(luò)分類算法。算法使用了光譜角特征代替了傳統(tǒng)算法中的歐氏距離特征,有效地區(qū)分高光譜圖像中普遍存在的同物異譜問(wèn)題。實(shí)際數(shù)據(jù)實(shí)驗(yàn)表明,這個(gè)算法在不影響復(fù)雜度情況下有效地提高了分類精度。
【圖文】：

距離是一種直觀的IL魯棒性很好的距離算法，可以較好地分類中。為M X 的灰度圖像X e R"""'和Y e 來(lái)說(shuō)，它們之間I M N M N(X，Y)= . (Y /?=1 ?=丨—/=1 /=1和Y"分別表示圖像X和Y屮第/行、第/列的灰度值，通過(guò)空間乘子引入的，它被定義為|/-/w|" + \i -n\'復(fù)-J^^- ? (間因子，表征了空間關(guān)系的影響程度。該空間因子的物理意“近”的像素點(diǎn)之間的影響也較“大”，反之亦然。由于空相對(duì)的遠(yuǎn)近關(guān)系，因此圖像歐氏距離對(duì)其并不敏感，一。I ：

本文提出的算法的復(fù)雜度主要取決于計(jì)算圖像歐氏距離矩陣（IMEDM)。以使用3X3圖像塊為例，由公式（4. 4)可知，計(jì)算兩個(gè)像素對(duì)之間的圖像歐氏距離共需要81Z + 82次乘法。對(duì)于一個(gè)具有TV個(gè)像素的高光譜圖像來(lái)說(shuō)，總的復(fù)雜度為0(i7v2)�？臻g復(fù)雜度主要取決于一個(gè)的矩陣和一個(gè)的矩陣。由此可知，較大的數(shù)據(jù)量，即較大的將帶來(lái)較高的運(yùn)算復(fù)雜度和空間復(fù)雜度。4.5實(shí)驗(yàn)數(shù)據(jù)我們采用實(shí)際的高光譜數(shù)據(jù)測(cè)試算法的性能。我們將本文提出的算法與PCA、LLE和ISOMAP算法進(jìn)行比較，它們都是應(yīng)用于高光譜數(shù)據(jù)降維的常見(jiàn)的且性能較優(yōu)的算法。我們?cè)诮稻S基礎(chǔ)之上，利用分類算法對(duì)降維結(jié)果執(zhí)行分類操作。通過(guò)分析分類的精度評(píng)價(jià)這三種算法的性能。采用的分類算法為支撐向量機(jī)(SVM) [43]和1^最近鄰分類法（KNN) _。SVM算法的重要參數(shù)有C和g。實(shí)驗(yàn)中我們使用交叉驗(yàn)證方法(Cross Validation )選擇較優(yōu)的統(tǒng)一的SVM算法參數(shù)，，具體懫用的參數(shù)在每個(gè)實(shí)驗(yàn)中說(shuō)明。KNN算法的參數(shù)為用于判定對(duì)象所屬類別所需要的鄰近點(diǎn)個(gè)數(shù)K，我們統(tǒng)一采用參數(shù)1。評(píng)價(jià)分類結(jié)果的指標(biāo)為分類精度。
【學(xué)位授予單位】：復(fù)旦大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2013
【分類號(hào)】：TP751

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 張友水,馮學(xué)智,阮仁宗,麻土華;Kohonen神經(jīng)網(wǎng)絡(luò)在遙感影像分類中的應(yīng)用研究[J];遙感學(xué)報(bào);2004年02期

本文編號(hào)：2633276