高光谱图像波段选取问题的改进算法研究

发布时间：2017-05-02 03:11

  本文关键词：高光谱图像波段选取问题的改进算法研究，由笔耕文化传播整理发布。

【摘要】：20世纪80年代发展起了一项对地观测的新技术——高光谱技术。高光谱技术的发展主要依赖于遥感技术和光谱成像仪技术的进步。高光谱图像具有很高的分辨率,这是因为它是由高光谱成像仪从几百个连续窄波段内获取的地物图像,它能同时反映目标区域的空间信息和光谱信息,这样就使得地物的分辨更加容易。但同时,高光谱图像也是一种高维遥感图像,其庞大的数据量给影像的分析和处理提出了挑战。例如,高光谱图像具有极高的数据冗余性,数据存储空间大,运算速度慢,且易产生Hughes现象,导致分类精度的下降。高光谱图像获得的高分辨率是以增大数据维度,增大数据间相关性为代价的。因此,高光谱图像在实际应用前需要对其进行波段筛选,以达到降维的目的。那么,如何快速地从几十甚至数百个波段的高光谱图像中筛选出具有较好识别能力的波段组合成为了一个亟待解决的问题。针对高光谱图像波段选择这一问题,设计出一种更高效的算法将大大提高遥感数据分类速度及分类精确度。本文试图探索出一种改进后的高光谱图像波段选取算法。这种算法能最大限度地保留有效的原始数据,并降低数据维度。运用这种改进后的算法将使得高光谱遥感影像的分类无论在提高精度上还是降低运算时间上都有很大提高。通过认真的算法学习研究和大量的文献阅读,作者拟定采用两种算法多种选择准则相结合的方式来进行波段选择,分步对样本数据进行搜索寻优、并选取。用两种算法相结合的方式对样本数据进行筛选,能合理利用每种算法的优势,用另一种算法来弥补前一种算法的缺陷,两种算法相互补足,相辅相成。具体内容如下：1、通过学习和研究多种算法在高光谱图像波段选择问题中的应用,并分析各种算法的优劣。设计出一种新的改进算法来解决高光谱图像波段选取的问题。这种新算法要兼顾时间效率和精度效率。2、改进算法首先依据波段间图像像素灰度矩阵将波段数据进行子空间划分,通过这样的操作降低波段间的相关性。然后利用遗传算法全局快速寻优的能力对初始波段数据进行筛选,并获得初始信息素列表,以此弥补蚁群算法初始信息匮乏的缺陷。之后利用蚁群算法较高精度的全局寻优能力对波段数据进行二次筛选,并输出优良波段组合。3、通过AVIRIS图像的实验来检验改进后的算法是否有效,实验结果证实了改进后的算法能使遥感图像具有较高的总体分类精度,在计算时间上也有不错的效果。4、对比改进算法的实验结果与其他多种算法的实验结果,验证改进算法的优势。5、分析并讨论实验结果,得出最后结论：改进后的算法无论在分类精度和运算时间上都具有一定优势。
【关键词】：高光谱图像 波段选择 蚁群算法 遗传算法
【学位授予单位】：昆明理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：P237
【目录】：

• 摘要6-8
• Abstract8-12
• 第一章 绪论12-24
• 1.1 研究背景及研究意义12-16
• 1.1.1 高光谱图像的兴起和发展12-15
• 1.1.2 高光谱图像的特点及波段选择的意义15-16
• 1.2 当前研究现状16-17
• 1.3 研究内容和研究目标17-18
• 1.4 技术路线18-20
• 1.5 实验运行环境和数据源20-24
• 第二章 高光谱图像处理技术及各波段选择算法简介24-40
• 2.1 高光谱图像数据24-26
• 2.1.1 高光谱图像数据的特点与其表示方法24
• 2.1.2 高光谱图像的波段特征24-26
• 2.2 高光谱图像的波段筛选26-29
• 2.2.1 高光谱图像波段选择的目的和意义26-27
• 2.2.2 高光谱图像波段选择的方法27-29
• 2.3 遗传算法及其基本原理29-34
• 2.4 蚁群算法及其基本原理34-37
• 2.5 模拟退火算法简介37-38
• 2.6 偏最小二乘法简介38-40
• 第三章 高光谱图像波段选择的改进算法40-52
• 3.1 改进算法的思路40-41
• 3.2 遗传算法部分41-46
• 3.3 蚁群算法部分46-50
• 3.4 算法的整体实现50-52
• 第四章 实验及结果分析52-64
• 4.1 数据概况52-55
• 4.2 实验平台介绍55
• 4.3 高光谱图像波段选择的改进算法实验55-60
• 4.4 改进算法与其他多种算法的实验对比60-64
• 第五章 结论及展望64-68
• 5.1 结论64
• 5.2 算法的创新、优势、缺陷及展望64-68
• 5.2.1 算法的创新点64-65
• 5.2.2 算法的优势及缺陷65-66
• 5.2.3 展望66-68
• 致谢68-70
• 参考文献70-74
• 附录74

【参考文献】

中国期刊全文数据库 前10条

1 黄文明;兰静;张阳;;基于改进蚁群算法的网格资源调度[J];北京邮电大学学报;2009年S1期

2 麻秀范;崔换君;;改进遗传算法在含分布式电源的配电网规划中的应用[J];电工技术学报;2011年03期

3 黎夏,叶嘉安;遗传算法和GIS结合进行空间优化决策[J];地理学报;2004年05期

4 袁华;寇卫利;宋娅丽;;基于遗传算法GIS城市区域规划优化研究[J];电脑知识与技术;2011年01期

5 刘颖;谷延锋;张晔;张钧萍;;一种高光谱图像波段选择的快速混合搜索算法[J];光学技术;2007年02期

6 欧春江;;蚁群算法在GIS中的应用探讨[J];测绘与空间地理信息;2013年08期

7 苏加强;丁柳云;;基于遗传算法的GIS辅助最优路径查找方法[J];辽宁科技学院学报;2012年04期

8 赵春晖;陈万海;杨雷;;高光谱遥感图像最优波段选择方法的研究进展与分析[J];黑龙江大学自然科学学报;2007年05期

9 王惠荣;;蚁群算法的GIS最短路径建模与仿真[J];计算机仿真;2011年12期

10 周爽;张钧萍;苏宝库;;基于最速上升算法的超光谱图像波段选择搜索算法[J];计算机应用研究;2008年11期

中国硕士学位论文全文数据库 前3条

1 刘越屿;结合蚁群算法的GIS技术在多时间窗口车辆路径问题中的应用[D];汕头大学;2007年

2 张丽伟;蚁群与遗传算法的融合及其在生物序列比对问题中的应用[D];内蒙古大学;2007年

3 杨国栋;基于变量筛选的偏最小二乘回归方法及其应用[D];中南大学;2013年

  本文关键词：高光谱图像波段选取问题的改进算法研究，由笔耕文化传播整理发布。

，

本文编号：340180