【摘要】：近幾十年來,隨著人類在電子技術(shù)、光學技術(shù)和空間技術(shù)領域的飛速發(fā)展,遙感技術(shù)也取得了很快進展。高光譜遙感技術(shù)被廣泛應用于災害評估、軍事勘察、礦物分析等領域。高光譜圖像解混與監(jiān)督分類是高光譜圖像處理中重要組成部分。國內(nèi)外學者在圖像解混與基于支持向量機(Support Vector Machine,SVM)的圖像分類方面的研究上已取得一定進展。但傳統(tǒng)的解混算法復雜度高效率低,且基于SVM的分類準確率對參數(shù)選擇高度依賴,導致最終的分類結(jié)果不是很理想。因此迫切需要一種能夠同時保證實時性與分類準確率的一套高光譜圖像預處理算法。本文從圖像解混、SVM分類參數(shù)優(yōu)化兩方面進行研究。針對圖像解混算法實時性低的問題,提出了一種全新的快速線性解混算法;針對分類參數(shù)優(yōu)化時采用改進粒子群算法收斂速度慢的問題,提出了基于改進免疫算法的粒子群算法。主要研究內(nèi)容如下:首先,設計一種采用施密特正交化進行端元選擇與圖像解混的全新快速線性解混算法(Fast Linear Demixing,FLD)對經(jīng)過小波PCA變換去噪降維后的圖像進行端元選擇與解混。端元選擇算法與圖像解混算法均基于施密特正交化基本理論,使得兩個算法可以在同一系統(tǒng)中運行,大大簡化了算法復雜度,提高了實時性。實驗結(jié)果表明,該算法在保證準確率情況下在實時性上有很大優(yōu)勢。其次,提出基于免疫交叉變異的粒子群算法(Immune Cross-Mutation Particle Swarm Optimization,ICMPSO)對支持向量機的參數(shù)(懲罰系數(shù)c和徑向基核函數(shù)參數(shù)g)進行優(yōu)化。該算法相對自適應變異粒子群算法等普通算法進行了效果明顯的改良,在不陷入局部最優(yōu)的同時保證了穩(wěn)定的收斂。實驗結(jié)果表明,該算法能將分類準確率提高約3%。最終,將經(jīng)過FLD算法得到的高光譜圖像帶入到SVM分類機中進行分類,并在SVM參數(shù)選擇上采用ICMPSO算法尋找到最優(yōu)參數(shù)。實驗結(jié)果表明,能夠?qū)Ω吖庾V圖像17類地物信息中的5類進行較好識別,并且在分類準確率上較傳統(tǒng)算法有較大提升。
【圖文】：

與此同時，，高光譜遙感技術(shù)也取得了相當快的發(fā)展[1,2]。AVIRIS 拍攝的高光譜遙感圖像相對地面的分辨率為 17m×17m[3]。一般情況下，遙感設備可以安置在距離地球不同距離的發(fā)射裝置上，如衛(wèi)星。遙感設備接收來自地球的不同信息，使得地物信息的特征可以被分析[4,5]。成像光譜技術(shù)也隨著遙感技術(shù)的發(fā)展而進步。圖像光譜儀能夠觀測到瞬時場的電磁波能量，其對于頻率上的分辨率近乎連續(xù)，可以獲取一張地面圖像對不同的光譜頻率的反射信息，因此獲得高光譜相機美名。高光譜相機的傳感器能夠捕獲到數(shù)以百計的頻段，典型高光譜圖像如圖 1.1 所示。高光譜遙感圖像的數(shù)據(jù)其實是三維空間數(shù)據(jù)，其主要特點是將圖像在不同的頻率下的立體空間信息與平面二維信息整合在一起。與傳統(tǒng)的單頻帶圖像相比，高光譜圖像的信息更多。具體而言，每個頻帶測量的反射值是一組灰度圖像，該圖像描述了材料在這一頻率下的反射率，并且整個高光譜數(shù)據(jù)是不同頻帶的灰度圖像的三維疊加。不同波長下的材料反射率被記錄在每個像元中，并且被用于構(gòu)造頻譜向量。像元的光譜曲線如圖 1.1(c所示，頻率作為橫坐標，反射率作為縱坐標，構(gòu)成像元光譜曲線。高光譜相機的高光譜分辨率有利于使用頻譜分析物質(zhì)鑒別技術(shù)的發(fā)展。

內(nèi)隨機生成的全新粒子，與該粒子過去完全無關。使得其縛重新進行全局范圍的尋優(yōu)，從而加強了系統(tǒng)的全局搜為以概率 P 產(chǎn)生 0-1 之間的隨機數(shù)。 0~0.5 之間時，粒子所在位置與速度沒有變化；當 ，當前粒子的第一維（即 SVM 參數(shù) c）發(fā)生變異，當 間時，當前粒子第二維（即 SVM 參數(shù) g）發(fā)生變異。同逐漸增大。式如式（2-21）所示：與 分別為變異概率的最大、最小值， 為最大迭。當采用 與 、系統(tǒng)迭代次數(shù) nd()randraP =Pmax PminItermax× iter + PminPminItermax Pmax= 0.4 Pmin= 0.1 Itermax = 3
【學位授予單位】：哈爾濱工程大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP751;TP181

【相似文獻】

相關期刊論文 前10條

1 王斌;;基于高光譜圖像技術(shù)的水果表面農(nóng)藥殘留檢測觀察[J];種子科技;2017年04期

2 陳綾鋼;呂靖芳;;高光譜圖像技術(shù)在農(nóng)產(chǎn)品監(jiān)測中的應用進展[J];北京農(nóng)業(yè);2016年01期

3 朱貞映;袁建;何榮;;糧油中高光譜圖像技術(shù)的應用現(xiàn)狀[J];糧食與飼料工業(yè);2016年09期

4 徐爽;何建國;馬瑜;梁慧琳;劉貴珊;賀曉光;;高光譜圖像技術(shù)在水果品質(zhì)檢測中的研究進展[J];食品研究與開發(fā);2013年10期

5 葉珍;白t

本文編號：2681861