本文關(guān)鍵詞：結(jié)合空間域信息的高光譜圖像分類方法

  更多相關(guān)文章： 高光譜遙感 圖像分類 空間域信息 勢函數(shù) 邊緣提取

【摘要】：高光譜遙感作為一項新興技術(shù)，在軍事和民用領(lǐng)域都發(fā)揮著極其重要的作用。其中，高光譜圖像目標分類一直是高光譜信息處理的重要研究方向，高精度的分類算法是實現(xiàn)各類應(yīng)用的前提。傳統(tǒng)的高光譜遙感圖像分類與識別方法，往往多側(cè)重于數(shù)據(jù)的光譜維信息，容易忽略空間維中包含的空間域信息，同時易受到分類器設(shè)計思想的局限，其分類效果難以進一步大幅提高。在對圖譜一體化的高光譜圖像分類過程中引入空間域信息能對分類準確率的提高提供幫助，本文重點研究了結(jié)合空間域信息的高光譜圖像分類方法，主要工作包括： （1）對高光譜圖像分類原理、類別可分性、影響分類精度的因素等進行了分析，并介紹了傳統(tǒng)的基于空間域信息分類的方法和一種典型的結(jié)合空間域信息進行高光譜圖像目標分類的方法，并用實測數(shù)據(jù)驗證各算法有效性，比較了各類算法的優(yōu)缺點。 （2）提出了一種利用空間鄰域信息對高光譜圖像分類結(jié)果進行優(yōu)化的方法。首先在光譜域信息的基礎(chǔ)上采用傳統(tǒng)的支持向量機對高光譜圖像進行分類；然后，，通過提取連通區(qū)域的方法去除誤分像元；最后，結(jié)合空間域的鄰域信息和新定義的勢函數(shù)對分類結(jié)果進行優(yōu)化。通過兩組實測數(shù)據(jù)對所提方法進行了驗證，結(jié)果表明提出的方法在降低分類結(jié)果虛警率的同時提高了準確率。 （3）邊緣信息是一種典型的空間信息，在前人研究的基礎(chǔ)上改進了利用邊緣信息進行高光譜圖像目標分類的方法。首先利用光譜域信息和支持向量機進行高光譜圖像分類；然后針對高光譜數(shù)據(jù)維數(shù)多的特點，提出了一種多波段圖像邊緣提取的方法；最后結(jié)合提取的邊緣信息和內(nèi)部膨脹法對支持向量機的分類結(jié)果進行優(yōu)化。
【關(guān)鍵詞】：高光譜遙感 圖像分類 空間域信息 勢函數(shù) 邊緣提取
【學(xué)位授予單位】：杭州電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP751
【目錄】：

• 摘要5-6
• ABSTRACT6-8
• 目錄8-10
• 第一章 緒論10-17
• 1.1 研究背景與意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-15
• 1.2.1 高光譜遙感的發(fā)展現(xiàn)狀11-13
• 1.2.2 高光譜遙感的應(yīng)用領(lǐng)域13
• 1.2.3 高光譜圖像目標分類的研究現(xiàn)狀13-15
• 1.3 本文的主要內(nèi)容和組織結(jié)構(gòu)15-17
• 第二章 高光譜圖像分類方法概述17-27
• 2.1 引言17-18
• 2.2 最小距離法18-19
• 2.3 支持向量機分類19-22
• 2.3.1 支持向量機分類原理19-20
• 2.3.2 仿真實驗與分析20-22
• 2.4 基于空間連續(xù)性的分類方法22-26
• 2.4.1 空間域分類方法原理22-24
• 2.4.2 實驗結(jié)果與分析24-26
• 2.5 本章小結(jié)26-27
• 第三章 結(jié)合勢函數(shù)的高光譜圖像分類方法27-43
• 3.1 引言27
• 3.2 結(jié)合勢函數(shù)分類算法原理27-29
• 3.3 結(jié)合勢函數(shù)的高光譜分類算法29-33
• 3.3.1 光譜域信息分類29
• 3.3.2 分類結(jié)果連通區(qū)域提取29-30
• 3.3.3 結(jié)合勢函數(shù)的分類結(jié)果優(yōu)化30-33
• 3.4 實驗結(jié)果與分析33-42
• 3.4.1 數(shù)據(jù)集 1 實驗33-38
• 3.4.2 數(shù)據(jù)集 2 實驗38-41
• 3.4.3 實驗結(jié)果分析41-42
• 3.5 本章小結(jié)42-43
• 第四章 結(jié)合邊緣信息的高光譜圖像分類方法43-62
• 4.1 引言43
• 4.2 結(jié)合邊緣信息分類算法原理43-45
• 4.3 結(jié)合邊緣信息的高光譜分類45-50
• 4.3.1 光譜域信息分類45-46
• 4.3.2 提取多波段數(shù)據(jù)梯度圖46-47
• 4.3.3 自適應(yīng)閾值邊緣提取47-48
• 4.3.4 內(nèi)部膨脹處理48-50
• 4.4 實驗結(jié)果與分析50-56
• 4.4.1 實驗數(shù)據(jù)介紹50
• 4.4.2 利用光譜域信息的分類結(jié)果50-51
• 4.4.3 多波段圖像梯度提取51-52
• 4.4.4 自適應(yīng)閾值邊緣提取52-53
• 4.4.5 內(nèi)部膨脹法53-55
• 4.4.6 結(jié)果與分析55-56
• 4.5 高光譜圖像波段選擇56-61
• 4.5.1 隨機波段選擇56-58
• 4.5.2 基于梯度的波段選擇58-61
• 4.6 本章小結(jié)61-62
• 第五章 總結(jié)與展望62-64
• 5.1 總結(jié)62-63
• 5.2 展望63-64
• 致謝64-65
• 參考文獻65-69
• 附錄69

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 陳亮;劉希;張元;;結(jié)合光譜角的最大似然法遙感影像分類[J];測繪工程;2007年03期

2 賈萍;李海濤;林卉;顧海燕;韓顏順;;基于SVM的多源遙感影像分類研究[J];測繪科學(xué);2008年04期

3 韓玲;張若嵐;謝秋昌;;結(jié)合地物空間特性的高光譜圖像分類方法研究[J];測繪科學(xué);2011年03期

4 楊國鵬;余旭初;劉偉;陳偉;;面向高光譜遙感影像的分類方法研究[J];測繪通報;2007年10期

5 吳培中;星載高光譜成像光譜儀的特性與應(yīng)用[J];國土資源遙感;1999年03期

6 譚琨;杜培軍;;基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的高光譜遙感圖像分類[J];光譜學(xué)與光譜分析;2008年09期

7 王大成;張東彥;趙晉陵;李存軍;朱大洲;黃文江;李宇飛;楊小冬;;基于紅邊位置提取驗證成像與非成像高光譜數(shù)據(jù)的一致性[J];光譜學(xué)與光譜分析;2011年09期

8 高恒振;萬建偉;粘永健;王力寶;徐湛;;組合核函數(shù)支持向量機高光譜圖像融合分類[J];光學(xué)精密工程;2011年04期

9 孫釗;高光譜遙感的應(yīng)用[J];貴州教育學(xué)院學(xué)報(自然科學(xué));2004年04期

10 杜培軍,方濤,唐宏,陳雍業(yè);高光譜遙感信息中的特征提取與應(yīng)用研究(英文)[J];光子學(xué)報;2005年02期

本文編號：832981