不同的特征提取方法对高光谱遥感像素点分类结果比较

发布时间：2021-08-13 22:42

　　随着高光谱遥感技术的快速发展,高光谱遥感技术产生的图像近几年也在诸多领域的研究中均得到广泛应用。高光谱数据对我们的研究提供了诸多方便。高光谱遥感数据由于其有众多的波段,所以在使用这些数据前,需要对这些光谱信息做预处理,从处理后的光谱信息中可以通过数据分析来获取我们需要的信息。高光谱数据应用领域也很广泛,如大气污染监测、海洋水质监测治理、农业方面对农作物的化学成分分析、军事目标真伪的判别、自然灾害预防等。但是正是由于高光谱的光谱波段多的特点,给数据分析也会带来数据维数灾难问题,导致计算成本非常高。所以对波段选择显得尤为必要。本文主要对高光谱遥感数据Indian-pines和Pavia_U通过比较使用所有特征和PCA（Principle Component Analysis）主成分提取特征,LDA（Linear Discriminant Analysis）降维后的特征,ACO（Ant Colony Optimization）选择特征和使用GA（Genetic Algorithm）优化SVM（Support Vector Machine）的核函数参数和调整参数来比较不同特... 

【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校

【文章页数】：35 页

【学位级别】：硕士

【文章目录】：
中文摘要
Abstract
第一章 引言
    1 研究背景及应用
    2 文献综述
第二章 高光谱遥感及数据特性
    1 高光谱遥感
    2 高光谱遥感数据特性
    3 对高光谱遥感数据进行特征提取的意义
    4 遥感数据的分类依据
第三章 高光谱遥感图像数据预处理方法
    1 主成分分析Principle Component Analyse(PCA)降维原理
    2 线性判别分析Linear Discriminant Analysis(LDA)降维原理
    3 蚁群优化算法Ant Colony Optimization(ACO)
        3.1 蚁群优化算法原理
        3.2 蚁群优化算法在特征选择中的应用
第四章 分类和支持向量机及遗传算法介绍
    1 分类
    2 支持向量机
    3 遗传算法Genetic Algrithem(GA)
        3.1 遗传算法原理
        3.2 GA优化算法中的参数
第五章 数据分析结果
    1 使用GA优化SVM分类器的核函数参数和调整参数
    2 分类过程与步骤
    3 分类结果
        3.1 Indian_pines数据集分类结果
        3.2 Pavia_U数据集的分类结果
    4 数据分析结果总结
第六章 总结与展望
参考文献
致谢



本文编号：3341256