發(fā)布時間：2018-06-27 21:10

  本文選題：高光譜遙感 + 空譜特征��； 參考：《中國科學院大學(中國科學院遙感與數字地球研究所)》2017年博士論文

【摘要】：高光譜遙感圖譜合一的特性將由物質成分決定的光譜信息與反映地物紋理、形狀的空間信息有機結合,從而實現對地物的精準分類、識別以及屬性分析等,極大地提高了人類對客觀世界的認知能力。高光譜遙感技術已被廣泛應用于地質制圖、環(huán)境監(jiān)測、植被調查、農業(yè)遙感、海洋遙感、大氣研究等諸多領域。然而,高光譜遙感數據在帶來大量有效信息的同時,也給高光譜影像分類問題帶來了諸多挑戰(zhàn)。高光譜影像分類主要存在以下問題:第一,由于地物的組成及分布情況的復雜性和成像條件的影響,高光譜影像上依然存在“同物異譜”與“異物同譜”的現象,導致誤分的情況很容易出現;第二,高光譜影像上混合像元的普遍存在,進一步增大了地物分類的難度;第三,隨著圖像的波段增加,對監(jiān)督分類中訓練樣本的需求也急劇增加,造成小樣本分類時的病態(tài)問題。近年來發(fā)展起來的空譜特征分類、合成核分類、半監(jiān)督分類算法以及光譜解混技術,對以上高光譜圖像分類問題提供了可能的解決途徑。本文通過開展空譜特征和豐度信息提取方法,從監(jiān)督分類與半監(jiān)督分類兩個角度研究聯合豐度信息和空譜特征的高光譜圖像分類方法。并采用兩組具有不同光譜、空間分辨率和不同地面復雜度的航空高光譜數據進行分類實驗,驗證本文所提算法的有效性。論文的主要研究成果和結論如下:1)研究了基于形態(tài)學的空譜特征提取方法,梳理了形態(tài)學屬性輪廓特征的提取流程。通過對形態(tài)學屬性輪廓特征的提取,既充分利用了地物光譜信息,又考慮了影像上地物的空間結構特征,進而降低“同物異譜”與“異物同譜”對分類的影響,大大提高了高光譜圖像分類的精度。2)提出了一種基于類別的端元提取與稀疏解混算法。針對光譜解混的端元和分類的類別往往不一致,導致由解混得到的端元豐度信息無法有效地應用到分類中的問題,該算法首先針對訓練樣本的每一種類別進行端元提取,得到分別對應于每種類別的端元,所有類別提取的端元一起組成端元集,利用該端元集進行稀疏解混,進而得到與類別相對應的豐度信息。實驗結果表明,該算法為地物分類中普遍存在的混合像元問題提供了一種有效的解決方法,能夠有效提高圖像分類的精度。3)研究了一種基于馬爾科夫隨機場的空間優(yōu)化算法�？紤]到自然界中地物的分布通常具有一定的空間連續(xù)性,反映在遙感影像中,即相鄰像元是同種地物類型的概率最大。該算法采用一種馬爾科夫隨機場先驗模型來促使鄰近像元屬于同一類別,通過對空間鄰域信息的利用達到空間優(yōu)化的目的。實驗結果表明,該空間優(yōu)化算法能夠有效的去除椒鹽噪聲,提高分類精度與效果。4)提出了一種結合豐度信息與空譜特征的合成核分類方法(CKSMLRSSA)。該方法通過在核結構層面上將空譜特征和豐度信息特征進行融合,從而更加有效地用于圖像分類。根據合成核理論,首先將豐度信息組成的核與空譜信息組成的核以合成核的方式進行組合,進而用這個合成核替代原來的單核函數進行地物分類。實驗結果表明,通過合成核的方法能夠有效地集成空間、光譜與豐度等不同的特征空間,獲得與基于特征選擇的堆疊組合分類相當的分類精度,而不需要進行特征選擇的過程,提高了高光譜圖像分類效率。5)提出了一種結合豐度信息與空譜特征的半監(jiān)督分類方法(BTSSA-SMLR)。針對高光譜遙感小樣本分類問題,該算法通過結合豐度信息與后驗概率進行主動學習,從類別隸屬度和混合像元的角度選取信息量最豐富的樣本用于半監(jiān)督分類,進而提高半監(jiān)督分類的效率。實驗結果表明,結合豐度信息和后驗概率的主動學習方法,可以利用少量的標記樣本實現較高的總體分類精度,有效地減輕樣本標記工作量,減少分類器樣本訓練所需時間,提高半監(jiān)督分類的效率。
[Abstract]:The characteristic of hyperspectral remote sensing atlas combines the spectral information determined by the material components and the spatial information reflecting the texture and shape of the ground objects, so as to realize the accurate classification, recognition and attribute analysis of the ground objects, which greatly improves the human cognitive ability to the objective world. Hyperspectral remote sensing technology has been widely used in geology. Cartography, environmental monitoring, vegetation survey, agricultural remote sensing, ocean remote sensing, atmospheric research and many other fields. However, hyperspectral remote sensing data bring a lot of effective information, but also bring many challenges to the classification of hyperspectral images. The main problems of hyperspectral image classification are as follows: first, the composition and distribution of ground objects With the influence of complexity and imaging conditions, the phenomenon of "heterophysics" and "ISO spectrum" still exist on hyperspectral images, which lead to the occurrence of misclassification. Second, the general existence of mixed pixels on hyperspectral images further increases the difficulty of the classification of ground objects; third, with the increase of the image band, the training of the supervised classification The demand for training samples has also increased dramatically, causing the morbid problems in the classification of small samples. In recent years, the classification of space spectrum features, synthetic kernel classification, semi supervised classification algorithm and spectral unmixing technology have provided a possible solution to the above hyperspectral image classification problems. This paper extracts the characteristics of space spectrum and the extraction of abundance information. The method is to study the hyperspectral image classification method of joint abundance information and space spectrum features from two angles of supervised classification and semi supervised classification. Two groups of Aeronautical hyperspectral data with different spectral, spatial resolution and different ground complexity are used for classification experiments to verify the effectiveness of the proposed algorithm. The results are as follows: 1) the method of spatial spectral feature extraction based on morphology is studied, and the extraction process of morphological features is combed. By extracting the features of morphological attributes, it takes full advantage of the spectral information of the ground objects and takes into account the spatial structure features of the objects on the image, and then reduces the "heterophysics" and "foreign objects". The effect of the same spectrum on classification greatly improves the accuracy of the classification of hyperspectral images (.2). A classification based end extraction and sparse solution mixing algorithm is proposed. The end element and classification of spectral solutions are often inconsistent, resulting in the uneffective application of the unmixed endpoint abundance information to the classification problem. The end element is extracted for each category of the training sample, and the end element corresponding to each category is obtained. The endelements extracted from all categories are composed of endelements together, and the abundances are mixed with the end set. The results show that the algorithm is a common mixture in the classification of ground objects. The pixel problem provides an effective solution and can effectively improve the accuracy of the image classification. A spatial optimization algorithm based on Markov random field is studied. It is considered that the distribution of the ground objects in the nature usually has a certain spatial continuity, which is reflected in the image of remote sensing, that is, the adjacent pixels are the same types of objects. The algorithm uses a Markov random field prior model to make the adjacent pixels belong to the same category, and achieves the purpose of spatial optimization by using the spatial neighborhood information. The experimental results show that the spatial optimization algorithm can effectively remove salt and pepper noise, improve the classification accuracy and effect.4), and put forward a combination abundance. A synthetic kernel classification method (CKSMLRSSA) for the characteristics of information and space spectrum. This method combines the characteristics of the spatial spectrum and the abundance information at the nuclear structure level, so that it can be used more effectively for image classification. The experimental results show that the method can effectively integrate space, spectrum and abundance, and obtain the classification precision equivalent to the stacked combination classification based on feature selection without the process of feature selection. A semi supervised classification method (BTSSA-SMLR) combining abundance information and space spectrum features is proposed for hyperspectral image classification efficiency (.5). In view of the small sample classification problem of hyperspectral remote sensing, the algorithm is active learning by combining the abundance information and the posterior probability, and selects the most abundant information from the angle of category membership and mixed pixel. The sample is used for semi supervised classification to improve the efficiency of semi supervised classification. The experimental results show that a small number of labeled samples can be used to achieve higher overall classification accuracy with a small number of labeled samples, which can effectively reduce the workload of the sample marking, reduce the time required for the training of the classifier sample and improve the semi supervised classification. The efficiency of classification.
【學位授予單位】：中國科學院大學(中國科學院遙感與數字地球研究所)
【學位級別】：博士
【學位授予年份】：2017
【分類號】：P237

【相似文獻】

相關期刊論文 前10條

1 陳蜜;易堯華;劉志剛;李德仁;秦前清;;基于分塊特性的高光譜影像波段選取方法的研究[J];測繪通報;2006年03期

2 范冬娟;張韶華;;高光譜影像反射率反演方法的研究[J];海洋測繪;2006年03期

3 甘甫平;王潤生;;高光譜遙感技術在地質領域中的應用[J];國土資源遙感;2007年04期

4 楊燕杰;趙英俊;秦凱;陸冬華;;高光譜影像預處理技術[J];科技導報;2013年09期

5 楊可明;張濤;王立博;錢小麗;王林偉;劉士文;;諧波分析法高光譜影像融合及其光譜信息保真度評價[J];光譜學與光譜分析;2013年09期

6 楊哲海,馮猛,張燕燕;高光譜影像處理方法的改進[J];海洋測繪;2004年04期

7 李新雙;張良培;李平湘;吳波;;基于小波分量特征值匹配的高光譜影像分類[J];武漢大學學報(信息科學版);2006年03期

8 原傳綱;張廣有;吳迪;楊哲海;;面向應用的高光譜影像分類方法[J];測繪科學技術學報;2007年02期

9 楊可明;陳云浩;郭達志;蔣金豹;;基于高光譜影像的小麥條銹病光譜信息探測與提取(英文)[J];光子學報;2008年01期

10 蘇俊英;舒寧;;一種基于非線性增益小波濾波的高光譜影像去噪技術研究[J];遙感技術與應用;2008年04期

相關會議論文 前10條

1 舒寧;胡穎;;基于地物光譜特征的高光譜影像邊緣提取方法[A];地理空間信息技術與應用——中國科協2002年學術年會測繪論文集[C];2002年

2 舒寧;;多光譜和高光譜影像紋理分析的幾種方法[A];第十五屆全國遙感技術學術交流會論文摘要集[C];2005年

3 于美嬌;董廣軍;張永生;紀松;楊靖宇;;一種基于極大后驗估計的高光譜影像分辨率增強方法[A];圖像圖形技術與應用進展——第三屆圖像圖形技術與應用學術會議論文集[C];2008年

4 董廣軍;紀松;朱朝杰;;基于局部線性嵌入流形學習的高光譜影像分類技術[A];第六屆全國信息獲取與處理學術會議論文集（3）[C];2008年

5 汪瑋;周可法;王金林;周曙光;劉慧;;環(huán)境減災衛(wèi)星高光譜數據預處理[A];第十二屆全國數學地質與地學信息學術研討會論文集[C];2013年

6 黃遠程;張良培;李平湘;;基于最小單形體體積約束的高光譜影像端元光譜提取[A];遙感定量反演算法研討會摘要集[C];2010年

7 劉慶杰;藺啟忠;王黎明;王欽軍;李慶亭;苗峰顯;;基于CFFT最優(yōu)信噪比的星載高光譜影像噪聲抑制研究[A];第十七屆中國遙感大會摘要集[C];2010年

8 張杰林;;砂巖型鈾礦床高光譜數據挖掘技術研究[A];第十五屆全國遙感技術學術交流會論文摘要集[C];2005年

9 董彥芳;龐勇;;高光譜影像與LiDAR數據融合提取城市目標提取[A];中國地震學會空間對地觀測專業(yè)委員會2013年學術研討會論文摘要集[C];2013年

10 李飛;周成虎;陳榮國;;基于光譜曲線形態(tài)的高光譜影像檢索方法研究[A];第二屆中國科學院博士后學術年會暨高新技術前沿與發(fā)展學術會議程序冊[C];2010年

相關博士學位論文 前10條

1 劉軻;冬小麥葉面積指數高光譜遙感反演方法研究[D];中國農業(yè)科學院;2015年

2 馬曉瑞;基于深度學習的高光譜影像分類方法研究[D];大連理工大學;2017年

3 孫艷麗;聯合豐度信息與空譜特征的高光譜影像分類研究[D];中國科學院大學(中國科學院遙感與數字地球研究所);2017年

4 楊國鵬;基于機器學習方法的高光譜影像分類研究[D];解放軍信息工程大學;2010年

5 路威;面向目標探測的高光譜影像特征提取與分類技術研究[D];中國人民解放軍信息工程大學;2005年

6 楊哲海;高光譜影像分類若干關鍵技術的研究[D];解放軍信息工程大學;2006年

7 王凱;基于多特征融合的高光譜影像地物精細分析方法研究[D];武漢大學;2013年

8 杜輝強;高光譜遙感影像濾波和邊緣提取方法研究[D];武漢大學;2004年

9 韋瑋;基于多角度高光譜CHRIS數據的濕地信息提取技術研究[D];中國林業(yè)科學研究院;2011年

10 龔鑓;基于HDA和MRF的高光譜影像同質區(qū)分析[D];武漢大學;2007年

相關碩士學位論文 前10條

1 司海青;含水量對土壤有機質含量高光譜估算的影響研究[D];中國農業(yè)科學院;2015年

2 汪重午;基于高光譜線性混合模型的地質勘查研究[D];成都理工大學;2015年

3 魏祥坡;高光譜影像土質要素和人工地物分類技術研究[D];解放軍信息工程大學;2015年

4 康苒;松嫩平原典型土壤有機質高光譜預測模型研究[D];東北農業(yè)大學;2016年

5 張穎;基于主動學習的高光譜影像分類[D];成都理工大學;2016年

6 張風;基于子空間學習的高光譜影像地物分類[D];西安電子科技大學;2015年

7 劉瑞香;基于多尺度局部二值模式的高光譜圖像分類算法研究[D];西安石油大學;2016年

8 劉怡君;基于機載LiDAR和高光譜遙感影像融合實現普洱山區(qū)樹種分類[D];中國林業(yè)科學研究院;2016年

9 董連鳳;高光譜影像預處理技術研究[D];長安大學;2007年

10 祝鵬飛;面向對象的高光譜影像地物分類技術研究[D];解放軍信息工程大學;2011年

，

本文編號：2075290