结合空间域信息的高光谱图像分类方法

发布时间：2017-09-11 20:43

  本文关键词：结合空间域信息的高光谱图像分类方法

  更多相关文章： 高光谱遥感 图像分类 空间域信息 势函数 边缘提取

【摘要】：高光谱遥感作为一项新兴技术，在军事和民用领域都发挥着极其重要的作用。其中，高光谱图像目标分类一直是高光谱信息处理的重要研究方向，高精度的分类算法是实现各类应用的前提。传统的高光谱遥感图像分类与识别方法，往往多侧重于数据的光谱维信息，容易忽略空间维中包含的空间域信息，同时易受到分类器设计思想的局限，其分类效果难以进一步大幅提高。在对图谱一体化的高光谱图像分类过程中引入空间域信息能对分类准确率的提高提供帮助，本文重点研究了结合空间域信息的高光谱图像分类方法，主要工作包括： （1）对高光谱图像分类原理、类别可分性、影响分类精度的因素等进行了分析，并介绍了传统的基于空间域信息分类的方法和一种典型的结合空间域信息进行高光谱图像目标分类的方法，并用实测数据验证各算法有效性，比较了各类算法的优缺点。 （2）提出了一种利用空间邻域信息对高光谱图像分类结果进行优化的方法。首先在光谱域信息的基础上采用传统的支持向量机对高光谱图像进行分类；然后，，通过提取连通区域的方法去除误分像元；最后，结合空间域的邻域信息和新定义的势函数对分类结果进行优化。通过两组实测数据对所提方法进行了验证，结果表明提出的方法在降低分类结果虚警率的同时提高了准确率。 （3）边缘信息是一种典型的空间信息，在前人研究的基础上改进了利用边缘信息进行高光谱图像目标分类的方法。首先利用光谱域信息和支持向量机进行高光谱图像分类；然后针对高光谱数据维数多的特点，提出了一种多波段图像边缘提取的方法；最后结合提取的边缘信息和内部膨胀法对支持向量机的分类结果进行优化。
【关键词】：高光谱遥感 图像分类 空间域信息 势函数 边缘提取
【学位授予单位】：杭州电子科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP751
【目录】：

• 摘要5-6
• ABSTRACT6-8
• 目录8-10
• 第一章 绪论10-17
• 1.1 研究背景与意义10-11
• 1.2 国内外研究现状11-15
• 1.2.1 高光谱遥感的发展现状11-13
• 1.2.2 高光谱遥感的应用领域13
• 1.2.3 高光谱图像目标分类的研究现状13-15
• 1.3 本文的主要内容和组织结构15-17
• 第二章 高光谱图像分类方法概述17-27
• 2.1 引言17-18
• 2.2 最小距离法18-19
• 2.3 支持向量机分类19-22
• 2.3.1 支持向量机分类原理19-20
• 2.3.2 仿真实验与分析20-22
• 2.4 基于空间连续性的分类方法22-26
• 2.4.1 空间域分类方法原理22-24
• 2.4.2 实验结果与分析24-26
• 2.5 本章小结26-27
• 第三章 结合势函数的高光谱图像分类方法27-43
• 3.1 引言27
• 3.2 结合势函数分类算法原理27-29
• 3.3 结合势函数的高光谱分类算法29-33
• 3.3.1 光谱域信息分类29
• 3.3.2 分类结果连通区域提取29-30
• 3.3.3 结合势函数的分类结果优化30-33
• 3.4 实验结果与分析33-42
• 3.4.1 数据集 1 实验33-38
• 3.4.2 数据集 2 实验38-41
• 3.4.3 实验结果分析41-42
• 3.5 本章小结42-43
• 第四章 结合边缘信息的高光谱图像分类方法43-62
• 4.1 引言43
• 4.2 结合边缘信息分类算法原理43-45
• 4.3 结合边缘信息的高光谱分类45-50
• 4.3.1 光谱域信息分类45-46
• 4.3.2 提取多波段数据梯度图46-47
• 4.3.3 自适应阈值边缘提取47-48
• 4.3.4 内部膨胀处理48-50
• 4.4 实验结果与分析50-56
• 4.4.1 实验数据介绍50
• 4.4.2 利用光谱域信息的分类结果50-51
• 4.4.3 多波段图像梯度提取51-52
• 4.4.4 自适应阈值边缘提取52-53
• 4.4.5 内部膨胀法53-55
• 4.4.6 结果与分析55-56
• 4.5 高光谱图像波段选择56-61
• 4.5.1 随机波段选择56-58
• 4.5.2 基于梯度的波段选择58-61
• 4.6 本章小结61-62
• 第五章 总结与展望62-64
• 5.1 总结62-63
• 5.2 展望63-64
• 致谢64-65
• 参考文献65-69
• 附录69

【参考文献】

中国期刊全文数据库 前10条

1 陈亮;刘希;张元;;结合光谱角的最大似然法遥感影像分类[J];测绘工程;2007年03期

2 贾萍;李海涛;林卉;顾海燕;韩颜顺;;基于SVM的多源遥感影像分类研究[J];测绘科学;2008年04期

3 韩玲;张若岚;谢秋昌;;结合地物空间特性的高光谱图像分类方法研究[J];测绘科学;2011年03期

4 杨国鹏;余旭初;刘伟;陈伟;;面向高光谱遥感影像的分类方法研究[J];测绘通报;2007年10期

5 吴培中;星载高光谱成像光谱仪的特性与应用[J];国土资源遥感;1999年03期

6 谭琨;杜培军;;基于径向基函数神经网络的高光谱遥感图像分类[J];光谱学与光谱分析;2008年09期

7 王大成;张东彦;赵晋陵;李存军;朱大洲;黄文江;李宇飞;杨小冬;;基于红边位置提取验证成像与非成像高光谱数据的一致性[J];光谱学与光谱分析;2011年09期

8 高恒振;万建伟;粘永健;王力宝;徐湛;;组合核函数支持向量机高光谱图像融合分类[J];光学精密工程;2011年04期

9 孙钊;高光谱遥感的应用[J];贵州教育学院学报(自然科学);2004年04期

10 杜培军,方涛,唐宏,陈雍业;高光谱遥感信息中的特征提取与应用研究(英文)[J];光子学报;2005年02期

本文编号：832981