本文關(guān)鍵詞：基于粗糙集的高光譜遙感數(shù)據(jù)降維算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：高光譜遙感數(shù)據(jù)提供了豐富的地物光譜信息，具有廣泛的應(yīng)用價值。然而高光譜圖像具有數(shù)據(jù)量大、冗余嚴重等特征，使傳統(tǒng)的數(shù)據(jù)處理技術(shù)面臨挑戰(zhàn)。因此，研究一種既能利用其有效信息又能較快處理高光譜數(shù)據(jù)的方法是必要的。 對高光譜圖像數(shù)據(jù)進行降維處理，就是需要尋找能最大限度保留有效信息的數(shù)據(jù)壓縮的方法。粗糙集是一種新型的數(shù)據(jù)處理方法，它的特點是在不損失有效信息量的情況下對數(shù)據(jù)進行約簡，獲得數(shù)據(jù)核心知識。本文基于粗糙集約簡理論，分別提出了針對地物光譜儀和成像光譜儀兩種不同高光譜數(shù)據(jù)的降維方法。 提出了一種針對地物光譜數(shù)據(jù)的降維方法。基于地面實測水稻葉片光譜數(shù)據(jù)，選擇了18個與水稻葉綠素含量相關(guān)性較大的植被光譜指數(shù)作為因變量，對水稻葉片葉綠素含量進行反演。然而，植被光譜指數(shù)之間存在相關(guān)性，，易造成計算冗余，影響水稻葉片葉綠素高光譜反演的效率。為解決這一問題，本研究實現(xiàn)了粗糙集屬性簡約和支持向量回歸相結(jié)合的葉綠素反演方法。首先利用粗糙集約簡植被指數(shù)數(shù)據(jù)空間，得到含有6個植被光譜指數(shù)的簡約核；然后采用支持向量回歸方法反演葉綠素含量。基于全部指數(shù)反演與基于簡約核指數(shù)反演的R2分別為0.8586，0.8506。 提出一種針對成像光譜儀數(shù)據(jù)的特征選擇方法�；诖植诩s簡理論實現(xiàn)了針對高光譜圖像的有監(jiān)督波段選擇算法，首先基于圖像的地物類別選擇感興趣區(qū)，所選樣本的全部波段作為粗糙集條件屬性，地物類型作為決策屬性，訓練得出簡約核，即所選波段組合。以Washington D.C.地區(qū)機載高光譜HYDICE數(shù)據(jù)為實驗數(shù)據(jù)，針對圖像中主要的6種地物類型選取感興趣區(qū)，得到含有8個波段的約簡結(jié)果，并運用支持向量機方法對約簡波段組合的數(shù)據(jù)和全波段數(shù)據(jù)進行分類�；诩s簡波段圖像的總體分類精度為94.13%，而基于全波段圖像的總體分類精度為94.17%，分類精度相差≤1‰。 實驗結(jié)果表明，本文提出基于粗糙集約簡的高光譜數(shù)據(jù)降維算法，能與原始數(shù)據(jù)具有相當?shù)姆囱莺头诸惥�，但能有效地減少數(shù)據(jù)冗余，縮短高光譜數(shù)據(jù)應(yīng)用的時間。
【關(guān)鍵詞】：高光譜遙感 粗糙集約簡 葉綠素反演 波段選擇
【學位授予單位】：中國地質(zhì)大學（北京）
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TP18;P237
【目錄】：

• 摘要5-6
• Abstract6-10
• 第一章 前言10-13
• 1.1 研究背景10-11
• 1.2 研究的目的和意義11
• 1.3 論文結(jié)構(gòu)11-13
• 第二章 高光譜數(shù)據(jù)降維方法進展13-21
• 2.1 高光譜數(shù)據(jù)降維算法描述13-14
• 2.2 高光譜數(shù)據(jù)特征選擇方法14-17
• 2.2.1 高光譜數(shù)據(jù)波段選擇降維方法14-16
• 2.2.2 高光譜數(shù)據(jù)特征提取降維方法16-17
• 2.3 粗糙集波段選擇方法17-21
• 第三章 實驗設(shè)計及實驗數(shù)據(jù)21-26
• 3.1 實驗方案描述21-23
• 3.1.1 ASD 數(shù)據(jù)反演葉綠素實驗21-22
• 3.1.2 HYDICE 影像分類實驗22-23
• 3.2 實驗區(qū)域選擇23-26
• 3.2.1 葉綠素反演區(qū)域選擇23-24
• 3.2.2 HYDICE 數(shù)據(jù)波段選擇區(qū)域描述24-26
• 第四章 粗糙集約簡的算法描述26-36
• 4.1 粗糙集基本理論26-30
• 4.1.1 知識表達系統(tǒng)26-27
• 4.1.2 知識與知識庫27
• 4.1.3 不精確范疇近似27-28
• 4.1.4 屬性的重要度定義28-29
• 4.1.5 知識約簡29-30
• 4.2 基于粗糙集的高光譜波段選擇算法30-34
• 4.2.1 基于屬性重要度的約簡算法31-32
• 4.2.2 基于屬性重要度的約簡算法模型32-34
• 4.3 K-means 聚類算法34-35
• 4.4 本章小結(jié)35-36
• 第五章 實驗及結(jié)果分析36-51
• 5.1 水稻葉片葉綠素含量高光譜反演方法36-38
• 5.1.1 粗糙集屬性約簡算法36-37
• 5.1.2 支持向量回歸方法37-38
• 5.2 水稻葉片葉綠素含量高光譜反演實驗結(jié)果及分析38-42
• 5.2.1 數(shù)據(jù)分析方法38-40
• 5.2.2 基于粗糙集的植被指數(shù)約簡方法40
• 5.2.3 基于支持向量回歸算法的水稻葉片葉綠素含量反演40-42
• 5.3 高光譜圖像分類方法42-45
• 5.3.1 基于屬性重要度的粗糙集約簡算法43
• 5.3.2 高光譜遙感波段約簡算法43-45
• 5.4 高光譜圖像分類實驗結(jié)果及分析45-51
• 5.4.1 實驗結(jié)果47-49
• 5.4.2 結(jié)果分析49-51
• 第六章 總結(jié)51-54
• 6.1 論文主要工作51-52
• 6.2 主要研究結(jié)果52-53
• 6.3 有待進一步研究的問題53-54
• 參考文獻54-59
• 致謝59-60
• 附錄60

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 馮燕;何明一;宋江紅;魏江;;基于獨立成分分析的高光譜圖像數(shù)據(jù)降維及壓縮[J];電子與信息學報;2007年12期

2 趙春暉;宋曉s

本文編號：263129