發(fā)布時間：2020-09-22 17:06

　　 高光譜遙感是二十世紀興起的對地觀測新型技術(shù),其具有很高的光譜分辨率,為地物提供了豐富的信息。高光譜遙感是一種新型的遙感方式,在軍事領域、民用領域等各個方面都發(fā)揮著極其重要的作用,并成為遙感領域的科技前沿。但由于其波段多、數(shù)據(jù)量龐大等特點給圖像的分類和識別帶來了巨大的挑戰(zhàn),這使得對高光譜圖像進行處理時易出現(xiàn)“維數(shù)災難”現(xiàn)象,導致分類精度下降。目前,國內(nèi)外很多學者都致力于研究高光譜遙感在分類中遇到的各類問題和困難,并取得了一定的效果。為避免“維數(shù)災難”現(xiàn)象的出現(xiàn),保證高光譜地物分類識別率較高的情況下,減少數(shù)據(jù)量和冗余度,對其進行降維處理是很有必要的。高光譜影像的波段選擇是一種很復雜的優(yōu)化組合問題,要求所選擇的波段具有較大的信息量,各類別之間具有較好的可分性等。本文在總結(jié)現(xiàn)有研究成果的基礎上對高光譜影像降維進行了深入研究,主要內(nèi)容如下:1、高光譜影像子空間劃分。利用高光譜影像波段之間的相關(guān)性,根據(jù)波段和相關(guān)系數(shù)矩陣圖像的“分塊”特點,以自動子空間劃分法將高光譜數(shù)據(jù)的整個光譜空間劃分為5個初始的分類區(qū)間,然后在初始的分類區(qū)間中以改進聚類算法確定每個初始分類區(qū)間的聚類中心,并分別計算兩個相鄰聚類中心與其之間波段的互信息,找出互信息之差絕對值最小的波段,以此作為子空間劃分的邊界。即自動子空間劃分法為改進聚類算法提供初始的分類區(qū)間,該分類區(qū)間的個數(shù)即為聚類中心的個數(shù),并在初始的分類區(qū)間中以互信息確定邊界劃分子空間。2、高光譜影像最佳波段選擇。在劃分的子空間中運用自適應波段選擇法求解所有波段的指數(shù)值,并在每個子空間中選出最大的指數(shù),5個子空間即5個指數(shù),然后在5個指數(shù)中選擇最大的前3個指數(shù),此3個指數(shù)所對應的波段即為最佳的波段組合,以此波段組合為依據(jù),為后續(xù)的地物分類奠定基礎。3、面向?qū)ο蟮膱D像分類。給出面向?qū)ο蟮膱D像分類具體流程,并詳細介紹了支持向量機(SVM)的分類原理,以徑向基(RBF)為核函數(shù)的SVM算法對最佳波段組合進行分類,求其總體分類精度、平均精度和Kappa系數(shù),并與主成分分析法(PCA)降維、最小噪聲分類法(MNF)降維和最佳指數(shù)法(OIF)降維所求得的最佳波段組合的SVM分類結(jié)果進行比較。結(jié)果表明:兩類數(shù)據(jù)采用本文基于子空間的降維方法得到的總體分類精度分別達到了87.43%和85.92%,高于PCA、MNF和OIF降維方法的分類精度,證明了本文所提方法的可行性。
【學位單位】：西安科技大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：P237
【部分圖文】：

西安科技大學碩士學位論文（1）較高的光譜分辨率。（2）圖譜合一：高光譜遙感不僅可以獲得地物的空間信息，還可獲取某個像元或系列像元的輻射強度及其光譜特征[8]。（3）光譜波段多：每個像元均可提供一條幾乎連續(xù)的地物光譜曲線，可使其在某一光譜波段范圍內(nèi)連續(xù)成像[9]。高光譜遙感具有較高的光譜分辨率，其數(shù)據(jù)在軍事目標識別[10-12]、地質(zhì)災害分析、生態(tài)環(huán)境監(jiān)測[13-14]以及農(nóng)業(yè)生產(chǎn)[15-17]等眾多領域得到越來越廣泛的應用。但由于高光譜遙感數(shù)據(jù)的固有特點，對其進行監(jiān)督分類時，隨著影像數(shù)據(jù)波段數(shù)的增加，欲達到較高的分類精度，所需訓練樣本的個數(shù)也不斷增加。經(jīng)驗表明：當訓練樣本的個數(shù)是樣本維數(shù)的 6-10 倍時能達到較高的分類精度，當訓練樣本的數(shù)目是樣本維數(shù)的 100 倍時才能達到最理想的分類效果，但這對于具有數(shù)百個窄波段信息的高光譜影像來說是無法滿足的。當訓練樣本的數(shù)目在一定的范圍內(nèi)時，樣本維數(shù)與分類精度成正比，但超過一定維數(shù)后，分類精度與樣本維數(shù)成反比，這稱為遙感影像分類中的“維數(shù)災難”[6](如圖 1.1)，因此高光譜影像的龐大數(shù)據(jù)量是其應用首先需要解決的問題。

2 高光譜數(shù)據(jù)降維及分類技術(shù)2 高光譜數(shù)據(jù)降維及分類理論2.1 高光譜遙感簡介2.1.1 高光譜遙感高光譜傳感器是一種光譜波段較窄的、光譜分辨率很高的成像傳感器。隨著微電子技術(shù)和探測技術(shù)的快速發(fā)展，使得高光譜遙感在光譜分辨率方面實現(xiàn)了突破性的進展，成像光譜技術(shù)不僅可以獲得地物目標的空間信息，也可獲取到以數(shù)十至數(shù)百個波段形式展現(xiàn)的光譜信息，將這些信息疊加可形成一個三維數(shù)據(jù)立方體，如圖 2.1 所示，三維數(shù)據(jù)立方體的優(yōu)勢在于除包括二維的平面圖像外，也可包括光譜維，從數(shù)據(jù)意義層面上來講就是光譜波段信息。

西安科技大學碩士學位論文探測區(qū)域同時成像。高光譜傳感器的光譜分辨率以納米級計算，甚至部分高光譜傳感器的光譜分辨率小于 5nm。光譜分辨率反映了光譜信息的情況，在高光譜影像中，數(shù)百個光譜圖像可展現(xiàn)某個像元的光譜，在坐標中展示是一條近乎連續(xù)的如圖 2.2 所示的光譜曲線[2]。

【參考文獻】

相關(guān)期刊論文 前10條

1 黃文鈺;尚海興;;基于小波變換的高光譜遙感影像光譜匹配技術(shù)研究[J];西北水電;2013年01期

2 葛亮;王斌;張立明;;基于波段聚類的高光譜圖像波段選擇[J];計算機輔助設計與圖形學學報;2012年11期

3 沈照慶;黃亮;陶建斌;;基于支持向量機的高光譜遙感影像道路提取[J];長安大學學報(自然科學版);2012年05期

4 李穎;劉丙新;陳澎;;高光譜遙感技術(shù)在水上溢油監(jiān)測中的研究進展[J];海洋環(huán)境科學;2012年03期

5 葛亮;王斌;張立明;;基于偏最小二乘法的高光譜圖像波段選擇[J];計算機輔助設計與圖形學學報;2011年11期

6 李永亮;林輝;孫華;臧卓;王四喜;;基于BP神經(jīng)網(wǎng)絡的森林樹種分類研究[J];中南林業(yè)科技大學學報;2010年11期

7 馬娜;胡云鋒;莊大方;王新生;;基于最佳波段指數(shù)和J-M距離可分性的高光譜數(shù)據(jù)最佳波段組合選取研究——以環(huán)境小衛(wèi)星高光譜數(shù)據(jù)在東莞市的應用為例[J];遙感技術(shù)與應用;2010年03期

8 李波;劉占宇;武洪峰;徐新剛;孫安利;黃敬峰;;基于概率神經(jīng)網(wǎng)絡的水稻穗頸瘟高光譜遙感識別初步研究[J];科技通報;2009年06期

9 趙春暉;劉凡;;基于改進自組織競爭神經(jīng)網(wǎng)絡的高光譜圖像分類[J];應用科技;2009年08期

10 張朝陽;程海峰;陳朝輝;鄭文偉;;高光譜遙感的發(fā)展及其對軍事裝備的威脅[J];光電技術(shù)應用;2008年01期

相關(guān)會議論文 前3條

1 房華樂;任潤東;蘇飛;梁勇;;高光譜遙感在農(nóng)業(yè)中的應用[A];第四屆“測繪科學前沿技術(shù)論壇”論文精選[C];2012年

2 陳亮;劉代志;;高光譜遙感的軍事應用[A];陜西地球物理文集（五）國家安全與軍事地球物理研究[C];2005年

3 童慶禧;鄭蘭芬;薛永祺;;中國高光譜遙感技術(shù)和應用[A];第十三屆全國遙感技術(shù)學術(shù)交流會論文摘要集[C];2001年

相關(guān)博士學位論文 前8條

1 何同弟;高光譜圖像的分類技術(shù)研究[D];重慶大學;2014年

2 高陽;高光譜數(shù)據(jù)降維算法研究[D];中國礦業(yè)大學;2013年

3 劉穎;基于半監(jiān)督集成支持向量機的土地覆蓋遙感分類方法研究[D];中國科學院研究生院(東北地理與農(nóng)業(yè)生態(tài)研究所);2013年

4 高曉惠;高光譜數(shù)據(jù)處理技術(shù)研究[D];中國科學院研究生院（西安光學精密機械研究所）;2013年

5 儲美華;遙感影像的高光譜特征研究[D];山東科技大學;2007年

6 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

7 周清;土壤有機質(zhì)含量高光譜預測模型及其差異性研究[D];浙江大學;2004年

8 何挺;土地質(zhì)量高光譜遙感監(jiān)測方法研究[D];武漢大學;2003年

相關(guān)碩士學位論文 前10條

1 趙斌;基于核MNF變換的高光譜數(shù)據(jù)降維算法研究[D];中國科學院大學(中國科學院遙感與數(shù)字地球研究所);2017年

2 豐爍;高光譜圖像波段選取問題的改進算法研究[D];昆明理工大學;2015年

3 閆會敏;基于SVM與子空間結(jié)合的高光譜圖像分類算法研究[D];西安科技大學;2014年

4 陳宏達;高光譜遙感圖像的降維與分類研究[D];復旦大學;2013年

5 孫墨寒;高光譜數(shù)據(jù)誤差估計及降維方法研究[D];中國地質(zhì)大學（北京）;2013年

6 徐鈺明;高光譜遙感影像異常檢測與分類技術(shù)研究[D];杭州電子科技大學;2013年

7 李靜;高光譜遙感影像降維及分類方法研究[D];中南大學;2012年

8 朱俊良;高光譜遙感圖像分割算法研究[D];成都理工大學;2011年

9 楊希明;高光譜遙感圖像分類方法研究[D];哈爾濱工程大學;2007年

10 楊諸勝;高光譜圖像降維及分割研究[D];西北工業(yè)大學;2006年

本文編號：2824683