本文關(guān)鍵詞：基于蟻群算法的高光譜遙感影像地物分類研究

  更多相關(guān)文章： 高光譜遙感 蟻群算法 多態(tài)蟻群算法 克隆選擇算法 支持向量機

【摘要】：由于高光譜影像的超高光譜分辨率,導致影像波段眾多,影像信息冗余度大等特點,使得高光譜遙感分類面臨諸多挑戰(zhàn)。本文首先采用蟻群算法對高光譜遙感影像進行最優(yōu)波段選擇,以降低影像光譜特征的維度,緩解遙感分類中的Hughes現(xiàn)象。在影像降維的基礎上,采用基于蟻群算法、蟻群算法與克隆選擇算法相結(jié)合的混合算法以及基于蟻群算法的支持向量機(Support Vector Machine,SVM)等方法進行監(jiān)督分類。(1)本文提出了基于多態(tài)蟻群算法的高光譜遙感影像最優(yōu)波段選擇算法(PACA-BS),改進了基于傳統(tǒng)蟻群算法的高光譜遙感影像最優(yōu)波段選擇算法(ACA-BS)由于搜索蟻搜索空間大而導致的收斂速度慢,易陷入局部最優(yōu),算法時間復雜度高等缺點。在對AVIRIS和Hyperion影像進行降維時,PACA-BS算法在運行時間、波段子集的類別可分性和信息量、分類精度等方面都要優(yōu)于ACA-BS。(2)在高光譜遙感分類中,本文提出了基于傳統(tǒng)蟻群算法的影像分類規(guī)則提取算法(HRSC-ACA)和基于蟻群算法與免疫克隆選擇算法相結(jié)合的影像分類規(guī)則提取算法(HRSC-HA)。實驗表明,HRSC-HA算法有效地提高了影像分類精度,但在影像灰度屬性劃分中,各個區(qū)間存在嚴重交疊現(xiàn)象,導致影像分類精度有限。本文探討了蟻群算法在SVM核函數(shù)的參數(shù)優(yōu)化中的應用,并提出了基于蟻群算法的支持向量機分類算法(HRSC-SA),并用于AVIRIS與Hyperion影像波段子集的分類。其分類精度較HRSC-ACA和HRSC-HA都有較大提高。
【關(guān)鍵詞】：高光譜遙感 蟻群算法 多態(tài)蟻群算法 克隆選擇算法 支持向量機
【學位授予單位】：中國科學院研究生院(東北地理與農(nóng)業(yè)生態(tài)研究所)
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：P237
【目錄】：

• 中文摘要4-5
• Abstract5-9
• 第一章 緒論9-19
• 第一節(jié) 研究背景、目的與意義9-10
• 一、研究背景9
• 二、研究目的與意義9-10
• 第二節(jié) 高光譜遙感發(fā)展現(xiàn)狀10-12
• 第三節(jié) 高光譜遙感影像處理技術(shù)研究進展12-14
• 一、高光譜遙感影像降維研究進展12-13
• 二、高光譜遙感分類研究進展13-14
• 第四節(jié) 研究內(nèi)容、技術(shù)路線與創(chuàng)新點14-17
• 一、研究內(nèi)容14-15
• 二、技術(shù)路線15-16
• 三、創(chuàng)新點16-17
• 第五節(jié) 本文主要內(nèi)容和章節(jié)安排17-19
• 第二章 算法原理及研究數(shù)據(jù)19-35
• 第一節(jié) 蟻群算法原理19-22
• 一、蟻群算法生物學原型19-20
• 二、蟻群算法原理20-22
• 第二節(jié) 克隆選擇算法原理22-24
• 一、克隆選擇算法生物學原型22-23
• 二、克隆選擇算法原理23-24
• 第三節(jié) 支持向量機24-26
• 第四節(jié) 高光譜遙感影像特征分析26-35
• 一、研究數(shù)據(jù)及研究區(qū)26-29
• 二、高光譜遙感影像的波譜特征29-31
• 三、高光譜遙感影像的譜間相關(guān)性31-32
• 四、高光譜遙感分類中的Hughes現(xiàn)象32-35
• 第三章 基于蟻群算法的高光譜影像最優(yōu)波段選擇35-49
• 第一節(jié) 基于傳統(tǒng)蟻群算法的高光譜影像最優(yōu)波段選擇35-37
• 第二節(jié) 基于多態(tài)蟻群算法的高光譜影像最優(yōu)波段選擇37-42
• 一、多態(tài)蟻群算法中偵查蟻的偵查機制38-40
• 二、搜索蟻的搜索機制40
• 三、工蟻的工作機制40-42
• 第三節(jié) 實驗結(jié)果分析42-48
• 第四節(jié) 本章小結(jié)48-49
• 第四章 基于蟻群算法的高光譜遙感分類49-65
• 第一節(jié) 基于信息熵的影像灰度屬性離散化49-52
• 第二節(jié) 基于蟻群算法的分類規(guī)則提取52-54
• 第三節(jié) 基于混合算法的分類規(guī)則提取54-56
• 第四節(jié) 基于蟻群算法的SVM高光譜分類算法56-58
• 第五節(jié) 實驗結(jié)果分析58-63
• 第六節(jié) 本章小結(jié)63-65
• 第五章 結(jié)論與展望65-69
• 第一節(jié) 結(jié)論65-66
• 一、高光譜遙感影像最優(yōu)波段選擇65-66
• 二、高光譜遙感分類66
• 第二節(jié) 不足與展望66-69
• 一、存在的不足66-67
• 二、展望67-69
• 參考文獻69-77
• 發(fā)表文章目錄77-79
• 致謝79-80

，

本文編號：648817