高光譜圖像是一個(gè)包含豐富的空間、光譜、輻射信息的高維數(shù)據(jù),其在地質(zhì)繪圖和勘探、大氣或植被生態(tài)監(jiān)測(cè)、產(chǎn)品質(zhì)檢、精細(xì)農(nóng)業(yè)、城市遙感和軍事戰(zhàn)場(chǎng)偵察等領(lǐng)域有廣泛應(yīng)用。然而由于高光譜遙感圖像冗余度高、相關(guān)性強(qiáng)、數(shù)據(jù)量大等特點(diǎn)給高光譜圖像的分類(lèi)識(shí)別帶來(lái)了諸多挑戰(zhàn)。論文系統(tǒng)地研究了高光譜圖像的特征提取方法以及分類(lèi)識(shí)別方法,詳細(xì)探討了高光譜波段圖像的紋理特征、波段間歐式距離以及基于聚類(lèi)形式的高光譜圖像降維方法,深入研究了類(lèi)內(nèi)波段指數(shù)獲得波段代表以及支持向量機(jī)分類(lèi)模型,并重點(diǎn)研究了聚類(lèi)和類(lèi)內(nèi)波段指數(shù)的高光譜圖像分類(lèi)方法和其仿真實(shí)驗(yàn)。論文的主要工作和貢獻(xiàn)如下:（1）研究了高光譜圖像數(shù)據(jù)特點(diǎn),了解并學(xué)習(xí)了近年來(lái)高光譜圖像特征提取算法和分類(lèi)識(shí)別方法的相關(guān)理論基礎(chǔ)。重點(diǎn)研究了最大化方差主成分分析法、自適應(yīng)波段選擇法和自動(dòng)子空間劃分法的原理,并對(duì)上述方法進(jìn)行了仿真實(shí)驗(yàn)驗(yàn)證。（2）提出了一種基于多特征和仿射傳播聚類(lèi)算法的高光譜波段選擇方法。該方法能夠克服單一信息量構(gòu)造相似矩陣和一些聚類(lèi)方法中初始值選定困難以及給定初始聚類(lèi)中心對(duì)聚類(lèi)結(jié)果影響大的問(wèn)題。在算法中,首先獲得波段圖像的紋理特征,又由于歐式距離可以描述波段空間... 

【文章頁(yè)數(shù)】：90 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語(yǔ)對(duì)照表
第一章 緒論
    1.1 論文研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 高光譜圖像特征提取與選擇研究現(xiàn)狀
        1.2.2 高光譜圖像分類(lèi)方法研究現(xiàn)狀
    1.3 論文的研究?jī)?nèi)容及章節(jié)安排
        1.3.1 論文主要研究?jī)?nèi)容及創(chuàng)新點(diǎn)
        1.3.2 論文結(jié)構(gòu)安排
第二章 高光譜圖像特征提取和分類(lèi)方法理論基礎(chǔ)
    2.1 高光譜圖像特征提取介紹
        2.1.1 主成分分析法
        2.1.2 最佳指數(shù)因子法
        2.1.3 自適應(yīng)波段選擇法
        2.1.4 自動(dòng)子空間劃分法
    2.2 高光譜圖像分類(lèi)介紹
        2.2.1 監(jiān)督分類(lèi)
        2.2.2 光譜角度填圖法
        2.2.3 神經(jīng)網(wǎng)絡(luò)分類(lèi)方法
    2.3 高光譜圖像分類(lèi)精度評(píng)價(jià)
        2.3.1 誤差矩陣
        2.3.2 總體分類(lèi)精度
        2.3.3 Kappa系數(shù)
    2.4 高光譜圖像數(shù)據(jù)集介紹
    2.5 本章小結(jié)
第三章 基于多特征和仿射傳播聚類(lèi)算法的高光譜圖像波段選擇
    3.1 引言
    3.2 相關(guān)理論背景
        3.2.1 灰度共生矩陣
        3.2.2 仿射傳播聚類(lèi)算法
    3.3 基于多特征和仿射傳播聚類(lèi)算法的波段選擇
        3.3.1 相似度矩陣構(gòu)造
        3.3.2 仿射傳播聚類(lèi)算法波段選擇過(guò)程
        3.3.3 基于GE-AP算法的波段選擇框架
    3.4 實(shí)驗(yàn)結(jié)果與分析
        3.4.1 對(duì)比實(shí)驗(yàn)仿真結(jié)果
        3.4.2 基于GE-AP算法的波段選擇實(shí)驗(yàn)結(jié)果
        3.4.3 結(jié)果分析
    3.5 本章小結(jié)
第四章 基于聚類(lèi)和類(lèi)內(nèi)波段指數(shù)的高光譜圖像分類(lèi)方法
    4.1 引言
    4.2 基于聚類(lèi)和類(lèi)內(nèi)波段指數(shù)的算法研究
        4.2.1 噪聲波段去除
        4.2.2 類(lèi)內(nèi)波段指數(shù)
        4.2.3 基于AP-ICBI的高光譜圖像分類(lèi)方法框架
    4.3 支持向量機(jī)模型
        4.3.1 支持向量機(jī)原理分析
        4.3.2 SVM參數(shù)尋優(yōu)
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 實(shí)驗(yàn)數(shù)據(jù)
        4.4.2 實(shí)驗(yàn)環(huán)境
        4.4.3 結(jié)果分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 研究展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介


【參考文獻(xiàn)】：
期刊論文
[1]非線性變換和信息相鄰相關(guān)的高光譜自適應(yīng)波段選擇[J]. 張愛(ài)武,杜楠,康孝巖,郭超凡.  紅外與激光工程. 2017(05)
[2]基于子空間劃分的高光譜圖像波段選擇方法[J]. 王琪,楊桄,向英杰.  艦船電子工程. 2017(04)
[3]面向高光譜圖像分類(lèi)的空譜半監(jiān)督局部判別分析[J]. 侯榜煥,姚敏立,王榕,張峰干,戴定成.  光學(xué)學(xué)報(bào). 2017(07)
[4]極限學(xué)習(xí)機(jī)在高光譜遙感圖像分類(lèi)中的應(yīng)用[J]. 李鐵,張新君.  光電工程. 2016(11)
[5]基于聚類(lèi)和最佳指數(shù)的快速高光譜波段選擇方法[J]. 郭彤,華文深,劉恂,劉曉光.  光學(xué)技術(shù). 2016(06)
[6]基于改進(jìn)馬爾科夫分類(lèi)模型的高光譜圖像分類(lèi)方法[J]. 王冬雪,李姚.  信息通信. 2016(01)
[7]一種基于改進(jìn)子空間劃分的波段選擇方法[J]. 趙慧潔,李明康,李娜,丁昊,蔡輝.  紅外與激光工程. 2015(10)
[8]有監(jiān)督的鄰域保留嵌入的高光譜遙感影像特征提取[J]. 駱仁波,皮佑國(guó).  測(cè)繪學(xué)報(bào). 2014(05)
[9]基于流形學(xué)習(xí)的混合光譜解混分析[J]. 丁玲,唐娉,李宏益.  紅外與激光工程. 2013(09)
[10]基于最大信息量的高光譜遙感圖像無(wú)監(jiān)督波段選擇方法[J]. 劉雪松,葛亮,王斌,張立明.  紅外與毫米波學(xué)報(bào). 2012(02)

博士論文
[1]高光譜圖像特征提取與分類(lèi)算法研究[D]. 葉珍.西北工業(yè)大學(xué) 2015
[2]高光譜遙感影像光譜解混算法研究[D]. 楊華東.大連海事大學(xué) 2015

碩士論文
[1]高光譜圖像流形學(xué)習(xí)算法研究[D]. 盧雨風(fēng).電子科技大學(xué) 2016



本文編號(hào)：3693158