基于子空间的高光谱影像降维及分类研究

发布时间：2020-09-22 17:06

　　 高光谱遥感是二十世纪兴起的对地观测新型技术,其具有很高的光谱分辨率,为地物提供了丰富的信息。高光谱遥感是一种新型的遥感方式,在军事领域、民用领域等各个方面都发挥着极其重要的作用,并成为遥感领域的科技前沿。但由于其波段多、数据量庞大等特点给图像的分类和识别带来了巨大的挑战,这使得对高光谱图像进行处理时易出现“维数灾难”现象,导致分类精度下降。目前,国内外很多学者都致力于研究高光谱遥感在分类中遇到的各类问题和困难,并取得了一定的效果。为避免“维数灾难”现象的出现,保证高光谱地物分类识别率较高的情况下,减少数据量和冗余度,对其进行降维处理是很有必要的。高光谱影像的波段选择是一种很复杂的优化组合问题,要求所选择的波段具有较大的信息量,各类别之间具有较好的可分性等。本文在总结现有研究成果的基础上对高光谱影像降维进行了深入研究,主要内容如下:1、高光谱影像子空间划分。利用高光谱影像波段之间的相关性,根据波段和相关系数矩阵图像的“分块”特点,以自动子空间划分法将高光谱数据的整个光谱空间划分为5个初始的分类区间,然后在初始的分类区间中以改进聚类算法确定每个初始分类区间的聚类中心,并分别计算两个相邻聚类中心与其之间波段的互信息,找出互信息之差绝对值最小的波段,以此作为子空间划分的边界。即自动子空间划分法为改进聚类算法提供初始的分类区间,该分类区间的个数即为聚类中心的个数,并在初始的分类区间中以互信息确定边界划分子空间。2、高光谱影像最佳波段选择。在划分的子空间中运用自适应波段选择法求解所有波段的指数值,并在每个子空间中选出最大的指数,5个子空间即5个指数,然后在5个指数中选择最大的前3个指数,此3个指数所对应的波段即为最佳的波段组合,以此波段组合为依据,为后续的地物分类奠定基础。3、面向对象的图像分类。给出面向对象的图像分类具体流程,并详细介绍了支持向量机(SVM)的分类原理,以径向基(RBF)为核函数的SVM算法对最佳波段组合进行分类,求其总体分类精度、平均精度和Kappa系数,并与主成分分析法(PCA)降维、最小噪声分类法(MNF)降维和最佳指数法(OIF)降维所求得的最佳波段组合的SVM分类结果进行比较。结果表明:两类数据采用本文基于子空间的降维方法得到的总体分类精度分别达到了87.43%和85.92%,高于PCA、MNF和OIF降维方法的分类精度,证明了本文所提方法的可行性。
【学位单位】：西安科技大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：P237
【部分图文】：

西安科技大学硕士学位论文（1）较高的光谱分辨率。（2）图谱合一：高光谱遥感不仅可以获得地物的空间信息，还可获取某个像元或系列像元的辐射强度及其光谱特征[8]。（3）光谱波段多：每个像元均可提供一条几乎连续的地物光谱曲线，可使其在某一光谱波段范围内连续成像[9]。高光谱遥感具有较高的光谱分辨率，其数据在军事目标识别[10-12]、地质灾害分析、生态环境监测[13-14]以及农业生产[15-17]等众多领域得到越来越广泛的应用。但由于高光谱遥感数据的固有特点，对其进行监督分类时，随着影像数据波段数的增加，欲达到较高的分类精度，所需训练样本的个数也不断增加。经验表明：当训练样本的个数是样本维数的 6-10 倍时能达到较高的分类精度，当训练样本的数目是样本维数的 100 倍时才能达到最理想的分类效果，但这对于具有数百个窄波段信息的高光谱影像来说是无法满足的。当训练样本的数目在一定的范围内时，样本维数与分类精度成正比，但超过一定维数后，分类精度与样本维数成反比，这称为遥感影像分类中的“维数灾难”[6](如图 1.1)，因此高光谱影像的庞大数据量是其应用首先需要解决的问题。

2 高光谱数据降维及分类技术2 高光谱数据降维及分类理论2.1 高光谱遥感简介2.1.1 高光谱遥感高光谱传感器是一种光谱波段较窄的、光谱分辨率很高的成像传感器。随着微电子技术和探测技术的快速发展，使得高光谱遥感在光谱分辨率方面实现了突破性的进展，成像光谱技术不仅可以获得地物目标的空间信息，也可获取到以数十至数百个波段形式展现的光谱信息，将这些信息叠加可形成一个三维数据立方体，如图 2.1 所示，三维数据立方体的优势在于除包括二维的平面图像外，也可包括光谱维，从数据意义层面上来讲就是光谱波段信息。

西安科技大学硕士学位论文探测区域同时成像。高光谱传感器的光谱分辨率以纳米级计算，甚至部分高光谱传感器的光谱分辨率小于 5nm。光谱分辨率反映了光谱信息的情况，在高光谱影像中，数百个光谱图像可展现某个像元的光谱，在坐标中展示是一条近乎连续的如图 2.2 所示的光谱曲线[2]。

【参考文献】

相关期刊论文 前10条

1 黄文钰;尚海兴;;基于小波变换的高光谱遥感影像光谱匹配技术研究[J];西北水电;2013年01期

2 葛亮;王斌;张立明;;基于波段聚类的高光谱图像波段选择[J];计算机辅助设计与图形学学报;2012年11期

3 沈照庆;黄亮;陶建斌;;基于支持向量机的高光谱遥感影像道路提取[J];长安大学学报(自然科学版);2012年05期

4 李颖;刘丙新;陈澎;;高光谱遥感技术在水上溢油监测中的研究进展[J];海洋环境科学;2012年03期

5 葛亮;王斌;张立明;;基于偏最小二乘法的高光谱图像波段选择[J];计算机辅助设计与图形学学报;2011年11期

6 李永亮;林辉;孙华;臧卓;王四喜;;基于BP神经网络的森林树种分类研究[J];中南林业科技大学学报;2010年11期

7 马娜;胡云锋;庄大方;王新生;;基于最佳波段指数和J-M距离可分性的高光谱数据最佳波段组合选取研究——以环境小卫星高光谱数据在东莞市的应用为例[J];遥感技术与应用;2010年03期

8 李波;刘占宇;武洪峰;徐新刚;孙安利;黄敬峰;;基于概率神经网络的水稻穗颈瘟高光谱遥感识别初步研究[J];科技通报;2009年06期

9 赵春晖;刘凡;;基于改进自组织竞争神经网络的高光谱图像分类[J];应用科技;2009年08期

10 张朝阳;程海峰;陈朝辉;郑文伟;;高光谱遥感的发展及其对军事装备的威胁[J];光电技术应用;2008年01期

相关会议论文 前3条

1 房华乐;任润东;苏飞;梁勇;;高光谱遥感在农业中的应用[A];第四届“测绘科学前沿技术论坛”论文精选[C];2012年

2 陈亮;刘代志;;高光谱遥感的军事应用[A];陕西地球物理文集（五）国家安全与军事地球物理研究[C];2005年

3 童庆禧;郑兰芬;薛永祺;;中国高光谱遥感技术和应用[A];第十三届全国遥感技术学术交流会论文摘要集[C];2001年

相关博士学位论文 前8条

1 何同弟;高光谱图像的分类技术研究[D];重庆大学;2014年

2 高阳;高光谱数据降维算法研究[D];中国矿业大学;2013年

3 刘颖;基于半监督集成支持向量机的土地覆盖遥感分类方法研究[D];中国科学院研究生院(东北地理与农业生态研究所);2013年

4 高晓惠;高光谱数据处理技术研究[D];中国科学院研究生院（西安光学精密机械研究所）;2013年

5 储美华;遥感影像的高光谱特征研究[D];山东科技大学;2007年

6 杜辉强;高光谱遥感影像滤波和边缘提取方法研究[D];武汉大学;2004年

7 周清;土壤有机质含量高光谱预测模型及其差异性研究[D];浙江大学;2004年

8 何挺;土地质量高光谱遥感监测方法研究[D];武汉大学;2003年

相关硕士学位论文 前10条

1 赵斌;基于核MNF变换的高光谱数据降维算法研究[D];中国科学院大学(中国科学院遥感与数字地球研究所);2017年

2 丰烁;高光谱图像波段选取问题的改进算法研究[D];昆明理工大学;2015年

3 闫会敏;基于SVM与子空间结合的高光谱图像分类算法研究[D];西安科技大学;2014年

4 陈宏达;高光谱遥感图像的降维与分类研究[D];复旦大学;2013年

5 孙墨寒;高光谱数据误差估计及降维方法研究[D];中国地质大学（北京）;2013年

6 徐钰明;高光谱遥感影像异常检测与分类技术研究[D];杭州电子科技大学;2013年

7 李静;高光谱遥感影像降维及分类方法研究[D];中南大学;2012年

8 朱俊良;高光谱遥感图像分割算法研究[D];成都理工大学;2011年

9 杨希明;高光谱遥感图像分类方法研究[D];哈尔滨工程大学;2007年

10 杨诸胜;高光谱图像降维及分割研究[D];西北工业大学;2006年

本文编号：2824683