隨著高光譜遙感技術(shù)的快速發(fā)展,高光譜遙感技術(shù)產(chǎn)生的圖像近幾年也在諸多領(lǐng)域的研究中均得到廣泛應(yīng)用。高光譜數(shù)據(jù)對(duì)我們的研究提供了諸多方便。高光譜遙感數(shù)據(jù)由于其有眾多的波段,所以在使用這些數(shù)據(jù)前,需要對(duì)這些光譜信息做預(yù)處理,從處理后的光譜信息中可以通過(guò)數(shù)據(jù)分析來(lái)獲取我們需要的信息。高光譜數(shù)據(jù)應(yīng)用領(lǐng)域也很廣泛,如大氣污染監(jiān)測(cè)、海洋水質(zhì)監(jiān)測(cè)治理、農(nóng)業(yè)方面對(duì)農(nóng)作物的化學(xué)成分分析、軍事目標(biāo)真?zhèn)蔚呐袆e、自然災(zāi)害預(yù)防等。但是正是由于高光譜的光譜波段多的特點(diǎn),給數(shù)據(jù)分析也會(huì)帶來(lái)數(shù)據(jù)維數(shù)災(zāi)難問(wèn)題,導(dǎo)致計(jì)算成本非常高。所以對(duì)波段選擇顯得尤為必要。本文主要對(duì)高光譜遙感數(shù)據(jù)Indian-pines和Pavia_U通過(guò)比較使用所有特征和PCA（Principle Component Analysis）主成分提取特征,LDA（Linear Discriminant Analysis）降維后的特征,ACO（Ant Colony Optimization）選擇特征和使用GA（Genetic Algorithm）優(yōu)化SVM（Support Vector Machine）的核函數(shù)參數(shù)和調(diào)整參數(shù)來(lái)比較不同特... 

【文章來(lái)源】：蘭州大學(xué)甘肅省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：35 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
中文摘要
Abstract
第一章 引言
    1 研究背景及應(yīng)用
    2 文獻(xiàn)綜述
第二章 高光譜遙感及數(shù)據(jù)特性
    1 高光譜遙感
    2 高光譜遙感數(shù)據(jù)特性
    3 對(duì)高光譜遙感數(shù)據(jù)進(jìn)行特征提取的意義
    4 遙感數(shù)據(jù)的分類(lèi)依據(jù)
第三章 高光譜遙感圖像數(shù)據(jù)預(yù)處理方法
    1 主成分分析Principle Component Analyse(PCA)降維原理
    2 線(xiàn)性判別分析Linear Discriminant Analysis(LDA)降維原理
    3 蟻群優(yōu)化算法Ant Colony Optimization(ACO)
        3.1 蟻群優(yōu)化算法原理
        3.2 蟻群優(yōu)化算法在特征選擇中的應(yīng)用
第四章 分類(lèi)和支持向量機(jī)及遺傳算法介紹
    1 分類(lèi)
    2 支持向量機(jī)
    3 遺傳算法Genetic Algrithem(GA)
        3.1 遺傳算法原理
        3.2 GA優(yōu)化算法中的參數(shù)
第五章 數(shù)據(jù)分析結(jié)果
    1 使用GA優(yōu)化SVM分類(lèi)器的核函數(shù)參數(shù)和調(diào)整參數(shù)
    2 分類(lèi)過(guò)程與步驟
    3 分類(lèi)結(jié)果
        3.1 Indian_pines數(shù)據(jù)集分類(lèi)結(jié)果
        3.2 Pavia_U數(shù)據(jù)集的分類(lèi)結(jié)果
    4 數(shù)據(jù)分析結(jié)果總結(jié)
第六章 總結(jié)與展望
參考文獻(xiàn)
致謝



本文編號(hào)：3341256