高光谱图像解混与SVM分类参数优化的研究

发布时间：2020-05-26 12:50

【摘要】：近几十年来,随着人类在电子技术、光学技术和空间技术领域的飞速发展,遥感技术也取得了很快进展。高光谱遥感技术被广泛应用于灾害评估、军事勘察、矿物分析等领域。高光谱图像解混与监督分类是高光谱图像处理中重要组成部分。国内外学者在图像解混与基于支持向量机(Support Vector Machine,SVM)的图像分类方面的研究上已取得一定进展。但传统的解混算法复杂度高效率低,且基于SVM的分类准确率对参数选择高度依赖,导致最终的分类结果不是很理想。因此迫切需要一种能够同时保证实时性与分类准确率的一套高光谱图像预处理算法。本文从图像解混、SVM分类参数优化两方面进行研究。针对图像解混算法实时性低的问题,提出了一种全新的快速线性解混算法;针对分类参数优化时采用改进粒子群算法收敛速度慢的问题,提出了基于改进免疫算法的粒子群算法。主要研究内容如下:首先,设计一种采用施密特正交化进行端元选择与图像解混的全新快速线性解混算法(Fast Linear Demixing,FLD)对经过小波PCA变换去噪降维后的图像进行端元选择与解混。端元选择算法与图像解混算法均基于施密特正交化基本理论,使得两个算法可以在同一系统中运行,大大简化了算法复杂度,提高了实时性。实验结果表明,该算法在保证准确率情况下在实时性上有很大优势。其次,提出基于免疫交叉变异的粒子群算法(Immune Cross-Mutation Particle Swarm Optimization,ICMPSO)对支持向量机的参数(惩罚系数c和径向基核函数参数g)进行优化。该算法相对自适应变异粒子群算法等普通算法进行了效果明显的改良,在不陷入局部最优的同时保证了稳定的收敛。实验结果表明,该算法能将分类准确率提高约3%。最终,将经过FLD算法得到的高光谱图像带入到SVM分类机中进行分类,并在SVM参数选择上采用ICMPSO算法寻找到最优参数。实验结果表明,能够对高光谱图像17类地物信息中的5类进行较好识别,并且在分类准确率上较传统算法有较大提升。
【图文】：

示意图,高光谱遥感,成像,示意图

与此同时，，高光谱遥感技术也取得了相当快的发展[1,2]。AVIRIS 拍摄的高光谱遥感图像相对地面的分辨率为 17m×17m[3]。一般情况下，遥感设备可以安置在距离地球不同距离的发射装置上，如卫星。遥感设备接收来自地球的不同信息，使得地物信息的特征可以被分析[4,5]。成像光谱技术也随着遥感技术的发展而进步。图像光谱仪能够观测到瞬时场的电磁波能量，其对于频率上的分辨率近乎连续，可以获取一张地面图像对不同的光谱频率的反射信息，因此获得高光谱相机美名。高光谱相机的传感器能够捕获到数以百计的频段，典型高光谱图像如图 1.1 所示。高光谱遥感图像的数据其实是三维空间数据，其主要特点是将图像在不同的频率下的立体空间信息与平面二维信息整合在一起。与传统的单频带图像相比，高光谱图像的信息更多。具体而言，每个频带测量的反射值是一组灰度图像，该图像描述了材料在这一频率下的反射率，并且整个高光谱数据是不同频带的灰度图像的三维叠加。不同波长下的材料反射率被记录在每个像元中，并且被用于构造频谱向量。像元的光谱曲线如图 1.1(c所示，频率作为横坐标，反射率作为纵坐标，构成像元光谱曲线。高光谱相机的高光谱分辨率有利于使用频谱分析物质鉴别技术的发展。

变化图,变异概率,迭代次数,变化图

内随机生成的全新粒子，与该粒子过去完全无关。使得其缚重新进行全局范围的寻优，从而加强了系统的全局搜为以概率 P 产生 0-1 之间的随机数。 0~0.5 之间时，粒子所在位置与速度没有变化；当，当前粒子的第一维（即 SVM 参数 c）发生变异，当间时，当前粒子第二维（即 SVM 参数 g）发生变异。同逐渐增大。式如式（2-21）所示：与分别为变异概率的最大、最小值，为最大迭。当采用与、系统迭代次数 nd()randraP =Pmax PminItermax× iter + PminPminItermax Pmax= 0.4 Pmin= 0.1 Itermax = 3
【学位授予单位】：哈尔滨工程大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP751;TP181

【相似文献】