基于粗糙集的高光谱遥感数据降维算法研究

发布时间：2017-03-23 06:18

  本文关键词：基于粗糙集的高光谱遥感数据降维算法研究，由笔耕文化传播整理发布。

【摘要】：高光谱遥感数据提供了丰富的地物光谱信息，具有广泛的应用价值。然而高光谱图像具有数据量大、冗余严重等特征，使传统的数据处理技术面临挑战。因此，研究一种既能利用其有效信息又能较快处理高光谱数据的方法是必要的。 对高光谱图像数据进行降维处理，就是需要寻找能最大限度保留有效信息的数据压缩的方法。粗糙集是一种新型的数据处理方法，它的特点是在不损失有效信息量的情况下对数据进行约简，获得数据核心知识。本文基于粗糙集约简理论，分别提出了针对地物光谱仪和成像光谱仪两种不同高光谱数据的降维方法。 提出了一种针对地物光谱数据的降维方法。基于地面实测水稻叶片光谱数据，选择了18个与水稻叶绿素含量相关性较大的植被光谱指数作为因变量，对水稻叶片叶绿素含量进行反演。然而，植被光谱指数之间存在相关性，，易造成计算冗余，影响水稻叶片叶绿素高光谱反演的效率。为解决这一问题，本研究实现了粗糙集属性简约和支持向量回归相结合的叶绿素反演方法。首先利用粗糙集约简植被指数数据空间，得到含有6个植被光谱指数的简约核；然后采用支持向量回归方法反演叶绿素含量。基于全部指数反演与基于简约核指数反演的R2分别为0.8586，0.8506。 提出一种针对成像光谱仪数据的特征选择方法。基于粗糙集约简理论实现了针对高光谱图像的有监督波段选择算法，首先基于图像的地物类别选择感兴趣区，所选样本的全部波段作为粗糙集条件属性，地物类型作为决策属性，训练得出简约核，即所选波段组合。以Washington D.C.地区机载高光谱HYDICE数据为实验数据，针对图像中主要的6种地物类型选取感兴趣区，得到含有8个波段的约简结果，并运用支持向量机方法对约简波段组合的数据和全波段数据进行分类。基于约简波段图像的总体分类精度为94.13%，而基于全波段图像的总体分类精度为94.17%，分类精度相差≤1‰。 实验结果表明，本文提出基于粗糙集约简的高光谱数据降维算法，能与原始数据具有相当的反演和分类精度，但能有效地减少数据冗余，缩短高光谱数据应用的时间。
【关键词】：高光谱遥感 粗糙集约简 叶绿素反演 波段选择
【学位授予单位】：中国地质大学（北京）
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP18;P237
【目录】：

• 摘要5-6
• Abstract6-10
• 第一章 前言10-13
• 1.1 研究背景10-11
• 1.2 研究的目的和意义11
• 1.3 论文结构11-13
• 第二章 高光谱数据降维方法进展13-21
• 2.1 高光谱数据降维算法描述13-14
• 2.2 高光谱数据特征选择方法14-17
• 2.2.1 高光谱数据波段选择降维方法14-16
• 2.2.2 高光谱数据特征提取降维方法16-17
• 2.3 粗糙集波段选择方法17-21
• 第三章 实验设计及实验数据21-26
• 3.1 实验方案描述21-23
• 3.1.1 ASD 数据反演叶绿素实验21-22
• 3.1.2 HYDICE 影像分类实验22-23
• 3.2 实验区域选择23-26
• 3.2.1 叶绿素反演区域选择23-24
• 3.2.2 HYDICE 数据波段选择区域描述24-26
• 第四章 粗糙集约简的算法描述26-36
• 4.1 粗糙集基本理论26-30
• 4.1.1 知识表达系统26-27
• 4.1.2 知识与知识库27
• 4.1.3 不精确范畴近似27-28
• 4.1.4 属性的重要度定义28-29
• 4.1.5 知识约简29-30
• 4.2 基于粗糙集的高光谱波段选择算法30-34
• 4.2.1 基于属性重要度的约简算法31-32
• 4.2.2 基于属性重要度的约简算法模型32-34
• 4.3 K-means 聚类算法34-35
• 4.4 本章小结35-36
• 第五章 实验及结果分析36-51
• 5.1 水稻叶片叶绿素含量高光谱反演方法36-38
• 5.1.1 粗糙集属性约简算法36-37
• 5.1.2 支持向量回归方法37-38
• 5.2 水稻叶片叶绿素含量高光谱反演实验结果及分析38-42
• 5.2.1 数据分析方法38-40
• 5.2.2 基于粗糙集的植被指数约简方法40
• 5.2.3 基于支持向量回归算法的水稻叶片叶绿素含量反演40-42
• 5.3 高光谱图像分类方法42-45
• 5.3.1 基于属性重要度的粗糙集约简算法43
• 5.3.2 高光谱遥感波段约简算法43-45
• 5.4 高光谱图像分类实验结果及分析45-51
• 5.4.1 实验结果47-49
• 5.4.2 结果分析49-51
• 第六章 总结51-54
• 6.1 论文主要工作51-52
• 6.2 主要研究结果52-53
• 6.3 有待进一步研究的问题53-54
• 参考文献54-59
• 致谢59-60
• 附录60

【参考文献】

中国期刊全文数据库 前10条

1 冯燕;何明一;宋江红;魏江;;基于独立成分分析的高光谱图像数据降维及压缩[J];电子与信息学报;2007年12期

2 赵春晖;宋晓s

本文编号：263129