【摘要】：遙感影像分類是遙感領域研究的重要問題。高光譜遙感數(shù)據具有豐富的光譜信息和空間信息,為地物目標的辨識和分類提供了更多依據。分類方法的優(yōu)劣直接影響著分類的精度,空譜分類方法將光譜特征和空間特征結合在一起,被證明可以有效地提高分類精度。高光譜數(shù)據降維是降低處理成本,避免維數(shù)災難的有效手段,已成為分類的重要步驟。深度學習能夠提取數(shù)據深層次非線性本質特征,越來越多的深度學習模型被應用到高光譜特征提取和地物分類中。論文通過深入分析高光譜數(shù)據特性,基于信息論、統(tǒng)計學理論、機器學習、深度學習等領域的新理論和新方法,研究高效的光譜降維策略和空譜聯(lián)合分類方法,并在多個高光譜遙感數(shù)據集上進行驗證。主要內容包括:基于信息量和類間可分性的評價標準,分別提出了兩種特征選擇方法。一種是改進的最優(yōu)指數(shù)因子法。該方法根據波段間相關系數(shù)矩陣圖像“分塊”的特點,將整個波段空間劃分為若干子空間,在子空間的基礎上計算最優(yōu)指數(shù)因子,實現(xiàn)波段選擇。該方法提高了計算效率,降低了信息冗余,提升了分類精度。另一種是改進的二進制粒子群算法,通過改進迭代函數(shù)和引入變異機制,提高了算法的收斂能力和全局尋優(yōu)能力;設計了基于該算法的特征選擇和分類器參數(shù)同步尋優(yōu)策略。實驗證明該算法能有效地進行特征選擇和參數(shù)尋優(yōu),降低了處理成本、提升了分類的精度�；谏疃葘W習網絡提取數(shù)據深層次本質特征的能力,論文構建了最優(yōu)的堆棧降噪自編碼器網絡模型,實現(xiàn)了對高光譜數(shù)據的特征提取并完成分類,分類精度高于常見的特征提取方法�；跀�(shù)學形態(tài)學處理空間形狀和幾何結構的能力,論文提出了兩種空譜分類方法。一種是基于二值數(shù)學形態(tài)學的空間特征后處理方法。該方法利用二值形態(tài)學的降噪能力,對基于光譜特征的分類結果進行優(yōu)化處理,有效降低了分類結果中的“椒鹽現(xiàn)象”,提高了分類精度。另一種是基于灰度數(shù)學形態(tài)學的空譜特征同步處理方法。該方法將高光譜數(shù)據的每一波段轉化為灰度圖像,分別進行降噪處理,處理后的光譜特征融入了空間信息;然后將空譜特征作為堆棧降噪自編碼分類器的輸入進行分類,提高了分類精度。論文從降維和空譜分類兩個方向提出了多個創(chuàng)新點,并將這些創(chuàng)新點進行有機結合,實現(xiàn)高光譜影像降維和空譜分類的綜合處理。論文將所提出的算法與同類算法進行了比較,實驗證明所提算法具有更好的分類效果。
【圖文】：

更有利于地物的識別與分類。圖1-1[7]給出了高光譜影像示意圖。從圖 1-1 中的例子可以看出土壤、水和植被的光譜形成了一條精細連續(xù)的光譜特征曲線。因此，高光譜影像與多光譜影像相比，可以解決更多問題[8]。高光譜時代始于 20 世紀 80 年代，經過三十多年的發(fā)展，高光譜遙感日臻成熟，得到了廣泛的應用，占據了對地觀測的重要位置。高光譜成像光譜儀采集每個樣本點的同時，也采集其空間幾何分布信息，具有“圖譜合一”的特點。高光譜遙感實現(xiàn)了對目標地物的光譜成像，形成二維空間信息與光譜信息相互融合的三維數(shù)據立方體（Data Cube）[9]。圖 1-2 是 AVIRIS 92AV3C 高光譜數(shù)據立方體，三維空間分別是空間維 x、空間維 y 和縱向軸光譜維 z，圖中 x 軸和 y 軸構成立方體的前部截面的二維空間影像，z 軸為光譜維。不同地物對各個頻率的光具有不同的反射率，它們所對應的光譜曲線就有差異，因此可以通過高光譜遙感數(shù)據為地物目標進行更加精細的識別和分類。為了適應不同的研究目的，高光譜數(shù)據采用了三種不同的表達方式，圖像空間、光譜空間和特征空間[10]，對高光譜數(shù)據的地物屬性信息從不同的角度進行表達，如圖 1-3 所示。（1）圖像空間圖像空間是高光譜數(shù)據最簡單、最直接的表達方式

4圖 1-2 高光譜影像立方體結構示意圖（2）光譜空間圖 1-3（b）描述的是光譜空間，光譜空間的每個像素對應一條波譜響應曲線，波線反映的是目標地物的光譜反射率隨光譜波長的變化情況[11]。在使用光譜空間對地物分析時，所依據的是不同地物表現(xiàn)出的輻射響應曲線不同。但由于受到如太陽光入射風速等因素的影響，實際中容易出現(xiàn)“同物異譜”和“同譜異物”現(xiàn)象，這一現(xiàn)象對
【學位授予單位】：中國地質大學(北京)
【學位級別】：博士
【學位授予年份】：2018
【分類號】：P237

【參考文獻】

相關期刊論文 前10條

1 高春能;張彪;紀志成;;基于自適應動態(tài)搜索粒子群的SVM參數(shù)優(yōu)化研究[J];系統(tǒng)仿真學報;2015年12期

2 仇建斌;李士進;朱躍龍;萬定生;;基于曲線形狀特征的快速高光譜圖像波段選擇[J];小型微型計算機系統(tǒng);2014年08期

3 李娜;李詠潔;趙慧潔;曹揚;;基于光譜與空間特征結合的改進高光譜數(shù)據分類算法[J];光譜學與光譜分析;2014年02期

4 駱仁波;皮佑國;廖文志;;超光譜遙感圖像有監(jiān)督LPP特征提取研究[J];遙感技術與應用;2012年06期

5 萬曙靜;張承明;劉俊華;;基于自適應最小距離調整的多光譜遙感圖像分類方法[J];測繪通報;2012年S1期

6 姚旭;王曉丹;張玉璽;權文;;特征選擇方法綜述[J];控制與決策;2012年02期

7 董超;田聯(lián)房;趙慧潔;;遺傳關聯(lián)向量機高光譜影像分類[J];上海交通大學學報;2011年10期

8 計智偉;胡珉;尹建新;;特征選擇算法綜述[J];電子設計工程;2011年09期

9 高恒振;萬建偉;粘永健;徐湛;許可;;一種基于譜域-空域組合特征支持向量機的高光譜圖像分類算法[J];宇航學報;2011年04期

10 劉建南;冷亮;楊國東;;遙感影像平行六面體法則監(jiān)督分類與目視識別的對比分析[J];才智;2009年19期

相關博士學位論文 前1條

1 何同弟;高光譜圖像的分類技術研究[D];重慶大學;2014年

，

本文編號：2591973