遙感數(shù)據(jù)的可視化是目視解譯等遙感技術(shù)應(yīng)用的基礎(chǔ)工作。彩色圖像最多只能包含3個(gè)特征。目前的遙感數(shù)據(jù)波段數(shù)(即特征)往往遠(yuǎn)遠(yuǎn)大于3。光譜分辨率越高,相鄰波段之間獲取的數(shù)據(jù)越相似,波段間的相關(guān)性越大,信息的冗余度越高,計(jì)算和處理越復(fù)雜。因此,高維遙感數(shù)據(jù)的降維就顯得尤為重要。本文針對高維遙感數(shù)據(jù)的可視化問題,通過對不同的有監(jiān)督特征生成方法的探討,提出遙感數(shù)據(jù)有監(jiān)督可視化方法。本文的研究對高維遙感數(shù)據(jù)的可視化與目視解譯的結(jié)合具有重要的意義。本文提出了有監(jiān)督的主成分變換回歸參數(shù)重構(gòu)和Fisher判別回歸參數(shù)重構(gòu)的特征生成方法,在基于訓(xùn)練樣本的主成分變換法或Fisher判別法的基礎(chǔ)上,利用最小二乘法重新估計(jì)了主成分變換或Fisher判別的系數(shù),選取訓(xùn)練樣本的前3個(gè)成分作為特征信息,分別賦予紅色、綠色和藍(lán)色,使其組合成一幅假彩色遙感圖像,實(shí)現(xiàn)高維遙感數(shù)據(jù)的有監(jiān)督可視化。同時(shí)選擇前3個(gè)特征進(jìn)行分類驗(yàn)證,用分類精度對這種可視化方法進(jìn)行評價(jià)。可視化結(jié)果與遙感圖像主成分變換和經(jīng)過Fisher判別變換之后的假彩色圖像進(jìn)行比較,新方法圖像有較好的目視解譯效果。在有監(jiān)督分類的情況下,本文的數(shù)據(jù)分為訓(xùn)練樣本和檢驗(yàn)樣本兩部分,選取經(jīng)過主成分變換、主成分變換回歸參數(shù)重構(gòu)和Fisher判別回歸參數(shù)重構(gòu)后的所有成分的特征,重構(gòu)訓(xùn)練樣本,利用Fisher判別法建立分類模型,對樣本進(jìn)行分類,并與單純的Fisher判別分類法進(jìn)行了比較。結(jié)果表明:用主成分變換回歸參數(shù)重構(gòu)的方法進(jìn)行有監(jiān)督分類時(shí),其分類精度為76.55%,kappa系數(shù)為0.7163,用Fisher回歸參數(shù)重構(gòu)的方法進(jìn)行有監(jiān)督分類時(shí),其分類精度為76.01%,kappa系數(shù)為0.7100,主成分變換的方法進(jìn)行有監(jiān)督分類時(shí)其分類結(jié)果與Fisher判別法的分類結(jié)果相同,分類精度都是75.74%,kappa系數(shù)都是0.7068,參數(shù)重構(gòu)的結(jié)果有所改善;用前3個(gè)特征對可視化進(jìn)行驗(yàn)證時(shí),得到主成分變換、主成分變換回歸參數(shù)重構(gòu)、Fisher判別及Fisher判別回歸參數(shù)重構(gòu)的分類精度分別為64.69%、71.43%、69.00%和69.27%,分類精度的高低可以影響可視化的效果。
【學(xué)位單位】：浙江農(nóng)林大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2017
【中圖分類】：TP751
【文章目錄】：
摘要
ABSTRACT
1 引言
    1.1 研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 高維遙感數(shù)據(jù)壓縮方法
        1.2.2 遙感森林植被的特征提取方法
            1.2.2.1 兩種森林遙感分類方法
            1.2.2.2 目視解譯法
    1.3 研究內(nèi)容及方法
        1.3.1 研究內(nèi)容
        1.3.2 研究方法
    1.4 論文框架
2 研究區(qū)與數(shù)據(jù)資料
    2.1 研究區(qū)概況
        2.1.1 研究區(qū)自然地理概況
        2.1.2 研究區(qū)植被類型
    2.2 數(shù)據(jù)資料
        2.2.1 Landset 8 遙感數(shù)據(jù)
        2.2.2 地面調(diào)查數(shù)據(jù)
        2.2.3 遙感數(shù)據(jù)預(yù)處理
3 假彩色圖像合成特征生成與可視化
    3.1 基于主成分變換的特征生成方法
        3.1.1 主成分的幾何意義
        3.1.2 主成分的數(shù)學(xué)模型
        3.1.3 主成分系數(shù)重構(gòu)特征生成
    3.2 基于Fisher判別的特征生成方法
        3.2.1 Fisher判別方法
        3.2.2 Fisher系數(shù)重構(gòu)的特征生成
    3.3 可視化結(jié)果與分析
        3.3.1 基于主成分變換的可視化
        3.3.2 基于Fisher判別的可視化
        3.3.3 結(jié)果比較
    3.4 結(jié)論
4 遙感影像特征的分類評價(jià)
    4.1 基于主成分變換的有監(jiān)督分類
    4.2 基于主成分系數(shù)重構(gòu)的有監(jiān)督分類
    4.3 Fisher判別分類
    4.4 基于Fisher判別系數(shù)重構(gòu)的有監(jiān)督分類
    4.5 分析與比較
    4.6 結(jié)論
5 結(jié)論與討論
    5.1 結(jié)論
    5.2 創(chuàng)新點(diǎn)
    5.3 討論
參考文獻(xiàn)
個(gè)人簡介
導(dǎo)師簡介
致謝

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 趙鵬飛;周紹光;裔陽;胡屹群;;基于SLIC和主動學(xué)習(xí)的高光譜遙感圖像分類方法[J];計(jì)算機(jī)工程與應(yīng)用;2017年03期

2 宋納;謝明鴻;高春霞;;一種高分辨率彩色遙感影像的道路檢測方法[J];測繪科學(xué)技術(shù)學(xué)報(bào);2016年05期

3 喬睿;唐娉;石進(jìn);蔣麗雅;李爽;;WorldView-2影像的紅葉松樹識別研究[J];北京林業(yè)大學(xué)學(xué)報(bào);2015年11期

4 楊仁欣;楊燕;原晶晶;;高光譜圖像的特征提取與特征選擇研究[J];廣西師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2015年02期

5 甘甜;李金平;李小強(qiáng);王劉偉;;面向?qū)ο蟮母叻直媛蔬b感影像建筑物震害信息提取[J];測繪工程;2015年04期

6 董彥芳;龐勇;許麗娜;陳立澤;;高光譜遙感影像與機(jī)載LiDAR數(shù)據(jù)融合的地物提取方法研究[J];遙感信息;2014年06期

7 景明利;;高維數(shù)據(jù)降維算法綜述[J];西安文理學(xué)院學(xué)報(bào)(自然科學(xué)版);2014年04期

8 趙旦;張淼;于名召;曾源;吳炳方;;汶川地震災(zāi)后農(nóng)田和森林植被恢復(fù)遙感監(jiān)測[J];遙感學(xué)報(bào);2014年04期

9 王書玉;張羽威;于振華;;基于隨機(jī)森林的洪河濕地遙感影像分類研究[J];測繪與空間地理信息;2014年04期

10 張風(fēng)霖;緱變彩;李靖琳;;Landsat7 ETM+與Landsat8 OLI植被和非植被定量研究[J];山西建筑;2014年11期

相關(guān)博士學(xué)位論文 前2條

1 李偉濤;高分辨率遙感森林植被分類提取研究[D];北京林業(yè)大學(xué);2016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(xué);2013年

相關(guān)碩士學(xué)位論文 前5條

1 張銀濤;高光譜數(shù)據(jù)的樹種分類波段選擇研究[D];浙江農(nóng)林大學(xué);2014年

2 崔娟娟;基于線性重構(gòu)的特征抽取及分類應(yīng)用研究[D];揚(yáng)州大學(xué);2014年

3 楊冉冉;基于ALOS數(shù)據(jù)的遙感森林分類研究[D];首都師范大學(xué);2013年

4 李靜;高光譜遙感影像降維及分類方法研究[D];中南大學(xué);2012年

5 劉立敏;基于多元圖表示原理的可視化模式分類研究[D];燕山大學(xué);2011年

本文編號：2892509