本文關(guān)鍵詞：高光譜影像土質(zhì)要素和人工地物分類技術(shù)研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：土質(zhì)要素和人工地物對(duì)軍事測(cè)繪地理空間信息保障具有重要的作用,高光譜影像含有豐富的光譜信息,為探測(cè)地物屬性信息、實(shí)現(xiàn)地物精細(xì)分類提供了新的研究方向。為了提高高光譜影像中土質(zhì)要素和人工地物的分類精度,本文在總結(jié)高光譜影像土質(zhì)要素和人工地物分類方法的基礎(chǔ)上,分別從基于光譜特征的分類識(shí)別和基于統(tǒng)計(jì)特征的分類識(shí)別出發(fā),對(duì)高光譜影像土質(zhì)要素和人工地物分類技術(shù)進(jìn)行了較為深入的研究,主要完成的工作和取得的成果如下：(1)歸納了高光譜影像土質(zhì)要素和人工地物分類方法的研究現(xiàn)狀；總結(jié)分析了土質(zhì)要素和人工地物在不同學(xué)科中的分類體系及各自特點(diǎn),介紹了土質(zhì)要素的地理分布規(guī)律；對(duì)土質(zhì)要素和人工地物光譜特征進(jìn)行了分析,闡述了基于光譜特征的分類方法的主要思想,總結(jié)了傳統(tǒng)的光譜相似性測(cè)度。(2)在基于光譜特征的分類方法中,針對(duì)土質(zhì)要素和人工地物的光譜特征,組合光譜角余弦測(cè)度和相關(guān)系數(shù)測(cè)度形成光譜角余弦-相關(guān)系數(shù)測(cè)度,結(jié)合包絡(luò)線消除算法,提出了基于光譜角余弦-相關(guān)系數(shù)測(cè)度的光譜匹配分類方法,通過(guò)影像分類實(shí)驗(yàn),表明光譜角余弦-相關(guān)系數(shù)測(cè)度能夠得出更高的土質(zhì)要素和人工地物分類精度。(3)在基于統(tǒng)計(jì)特征的分類方法中,充分利用影像高維數(shù)據(jù)的統(tǒng)計(jì)特征,能夠提高土質(zhì)要素和人工地物的分類精度。將核函數(shù)方法和前向貪心算法引入到邏輯回歸模型中,構(gòu)建穩(wěn)定的輸入向量機(jī)(IVM)分類器,可直接輸出后驗(yàn)概率信息,通過(guò)影像分類實(shí)驗(yàn),表明了該方法能夠達(dá)到與支持向量機(jī)(SVM)相當(dāng)?shù)姆诸惥?且穩(wěn)定性更好,稀疏性更強(qiáng)。(4)土質(zhì)要素和人工地物的相鄰像元之間存在著強(qiáng)相關(guān)性,利用馬爾科夫隨機(jī)場(chǎng)模型對(duì)IVM分類結(jié)果進(jìn)行處理,能夠加入空間信息,消除分類結(jié)果圖中同質(zhì)區(qū)域內(nèi)的類別噪聲。分別計(jì)算光譜能量函數(shù)和空間能量函數(shù),相加形成總能量函數(shù),利用ICM方法求取能量函數(shù)最優(yōu)值,通過(guò)影像處理前后的分類結(jié)果對(duì)比,表明了馬爾科夫隨機(jī)場(chǎng)模型有利于影像分類精度的提高。
【關(guān)鍵詞】：土質(zhì)要素 人工地物 高光譜影像 光譜角余弦-相關(guān)系數(shù)測(cè)度 輸入向量機(jī) 分類
【學(xué)位授予單位】：解放軍信息工程大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：P237
【目錄】：

• 摘要5-6
• Abstract6-10
• 第一章 緒論10-19
• 1.1 研究背景和意義10-11
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀11-16
• 1.2.1 成像光譜儀研制情況11-12
• 1.2.2 高光譜影像分類技術(shù)發(fā)展12-14
• 1.2.3 高光譜影像土質(zhì)要素和人工地物分類技術(shù)14-16
• 1.3 論文研究?jī)?nèi)容16-17
• 1.4 論文組織結(jié)構(gòu)17-19
• 第二章 土質(zhì)要素和人工地物光譜特征分析19-35
• 2.1 土質(zhì)要素和人工地物分類體系19-25
• 2.1.1 土質(zhì)要素分類體系19-22
• 2.1.2 人工地物分類體系22-23
• 2.1.3 土質(zhì)要素地理分布規(guī)律23-25
• 2.2 土質(zhì)要素和人工地物光譜特征分析25-30
• 2.2.1 土質(zhì)要素光譜特征分析25-29
• 2.2.2 人工地物光譜特征分析29-30
• 2.3 論文實(shí)驗(yàn)數(shù)據(jù)30-34
• 2.3.1 ROSIS-Pavia University數(shù)據(jù)30-31
• 2.3.2 OMIS-太湖數(shù)據(jù)31-33
• 2.3.3 AVIRIS-Cuprite數(shù)據(jù)33-34
• 2.4 本章小結(jié)34-35
• 第三章 基于光譜角余弦-相關(guān)系數(shù)測(cè)度的光譜匹配分類35-49
• 3.1 傳統(tǒng)光譜相似性測(cè)度35-40
• 3.1.1 幾何空間測(cè)度35-37
• 3.1.2 概率空間測(cè)度37-38
• 3.1.3 變換空間測(cè)度38-39
• 3.1.4 綜合相似性測(cè)度39-40
• 3.2 基于光譜角余弦-相關(guān)系數(shù)測(cè)度的光譜匹配方法40-41
• 3.2.1 包絡(luò)線消除40
• 3.2.2 基于光譜角余弦-相關(guān)系數(shù)測(cè)度的光譜匹配分類40-41
• 3.3 實(shí)驗(yàn)與分析41-48
• 3.3.1 分類流程41-42
• 3.3.2 分類實(shí)驗(yàn)42-48
• 3.4 本章小結(jié)48-49
• 第四章 基于輸入向量機(jī)的高光譜影像分類49-61
• 4.1 邏輯回歸模型49-51
• 4.2 核邏輯回歸模型51-52
• 4.3 基于輸入向量機(jī)的分類52-54
• 4.3.1 輸入向量機(jī)分類器52-53
• 4.3.2 輸入向量子集選擇53
• 4.3.3 參數(shù)選擇53-54
• 4.4 實(shí)驗(yàn)與分析54-60
• 4.4.1 分類流程54-55
• 4.4.2 穩(wěn)定性分析55-56
• 4.4.3 分類精度分析56-60
• 4.5 本章小結(jié)60-61
• 第五章 基于馬爾科夫隨機(jī)場(chǎng)模型的分類后處理61-68
• 5.1 馬爾科夫隨機(jī)場(chǎng)模型61-62
• 5.2 IVM-MRF模型62-64
• 5.3 實(shí)驗(yàn)與分析64-67
• 5.3.1 處理流程64
• 5.3.2 處理實(shí)驗(yàn)64-67
• 5.4 本章小結(jié)67-68
• 第六章 總結(jié)與展望68-70
• 6.1 主要工作及創(chuàng)新點(diǎn)68
• 6.2 需要進(jìn)一步研究的問(wèn)題68-70
• 致謝70-71
• 參考文獻(xiàn)71-74
• 作者簡(jiǎn)歷74

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 邵遠(yuǎn)杰;吳國(guó)平;馬麗;;屬類概率距離構(gòu)圖的半監(jiān)督高光譜圖像分類[J];測(cè)繪學(xué)報(bào);2014年11期

2 張磊;邵振峰;周熙然;丁霖;;聚類特征和SVM組合的高光譜影像半監(jiān)督協(xié)同分類[J];測(cè)繪學(xué)報(bào);2014年08期

3 譚熊;余旭初;秦進(jìn)春;魏祥坡;;高光譜影像的多核SVM分類[J];儀器儀表學(xué)報(bào);2014年02期

4 陳宏達(dá);普晗曄;王斌;張立明;;基于圖像歐氏距離的高光譜圖像流形降維算法[J];紅外與毫米波學(xué)報(bào);2013年05期

5 張浚哲;朱文泉;董燕生;姜乃文;潘耀忠;;一種基于變權(quán)重組合的光譜相似性測(cè)度[J];測(cè)繪學(xué)報(bào);2013年03期

6 齊濱;趙春暉;王玉磊;;基于支持向量機(jī)與相關(guān)向量機(jī)的高光譜圖像分類[J];吉林大學(xué)學(xué)報(bào)(工學(xué)版);2013年S1期

7 李吉明;賈森;彭艷斌;;基于光譜特征和紋理特征協(xié)同學(xué)習(xí)的高光譜圖像數(shù)據(jù)分類[J];光電工程;2012年11期

8 李德仁;童慶禧;李榮興;龔健雅;張良培;;高分辨率對(duì)地觀測(cè)的若干前沿科學(xué)問(wèn)題[J];中國(guó)科學(xué):地球科學(xué);2012年06期

9 蘇紅軍;盛業(yè)華;;高光譜影像的改進(jìn)K-均值監(jiān)督式聚類分析方法[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2012年06期

10 姚伏天;錢(qián)l勌

本文編號(hào)：403685