基于蚁群算法的高光谱遥感影像地物分类研究

发布时间：2017-08-10 04:22

  本文关键词：基于蚁群算法的高光谱遥感影像地物分类研究

  更多相关文章： 高光谱遥感 蚁群算法 多态蚁群算法 克隆选择算法 支持向量机

【摘要】：由于高光谱影像的超高光谱分辨率,导致影像波段众多,影像信息冗余度大等特点,使得高光谱遥感分类面临诸多挑战。本文首先采用蚁群算法对高光谱遥感影像进行最优波段选择,以降低影像光谱特征的维度,缓解遥感分类中的Hughes现象。在影像降维的基础上,采用基于蚁群算法、蚁群算法与克隆选择算法相结合的混合算法以及基于蚁群算法的支持向量机(Support Vector Machine,SVM)等方法进行监督分类。(1)本文提出了基于多态蚁群算法的高光谱遥感影像最优波段选择算法(PACA-BS),改进了基于传统蚁群算法的高光谱遥感影像最优波段选择算法(ACA-BS)由于搜索蚁搜索空间大而导致的收敛速度慢,易陷入局部最优,算法时间复杂度高等缺点。在对AVIRIS和Hyperion影像进行降维时,PACA-BS算法在运行时间、波段子集的类别可分性和信息量、分类精度等方面都要优于ACA-BS。(2)在高光谱遥感分类中,本文提出了基于传统蚁群算法的影像分类规则提取算法(HRSC-ACA)和基于蚁群算法与免疫克隆选择算法相结合的影像分类规则提取算法(HRSC-HA)。实验表明,HRSC-HA算法有效地提高了影像分类精度,但在影像灰度属性划分中,各个区间存在严重交叠现象,导致影像分类精度有限。本文探讨了蚁群算法在SVM核函数的参数优化中的应用,并提出了基于蚁群算法的支持向量机分类算法(HRSC-SA),并用于AVIRIS与Hyperion影像波段子集的分类。其分类精度较HRSC-ACA和HRSC-HA都有较大提高。
【关键词】：高光谱遥感 蚁群算法 多态蚁群算法 克隆选择算法 支持向量机
【学位授予单位】：中国科学院研究生院(东北地理与农业生态研究所)
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：P237
【目录】：

• 中文摘要4-5
• Abstract5-9
• 第一章 绪论9-19
• 第一节 研究背景、目的与意义9-10
• 一、研究背景9
• 二、研究目的与意义9-10
• 第二节 高光谱遥感发展现状10-12
• 第三节 高光谱遥感影像处理技术研究进展12-14
• 一、高光谱遥感影像降维研究进展12-13
• 二、高光谱遥感分类研究进展13-14
• 第四节 研究内容、技术路线与创新点14-17
• 一、研究内容14-15
• 二、技术路线15-16
• 三、创新点16-17
• 第五节 本文主要内容和章节安排17-19
• 第二章 算法原理及研究数据19-35
• 第一节 蚁群算法原理19-22
• 一、蚁群算法生物学原型19-20
• 二、蚁群算法原理20-22
• 第二节 克隆选择算法原理22-24
• 一、克隆选择算法生物学原型22-23
• 二、克隆选择算法原理23-24
• 第三节 支持向量机24-26
• 第四节 高光谱遥感影像特征分析26-35
• 一、研究数据及研究区26-29
• 二、高光谱遥感影像的波谱特征29-31
• 三、高光谱遥感影像的谱间相关性31-32
• 四、高光谱遥感分类中的Hughes现象32-35
• 第三章 基于蚁群算法的高光谱影像最优波段选择35-49
• 第一节 基于传统蚁群算法的高光谱影像最优波段选择35-37
• 第二节 基于多态蚁群算法的高光谱影像最优波段选择37-42
• 一、多态蚁群算法中侦查蚁的侦查机制38-40
• 二、搜索蚁的搜索机制40
• 三、工蚁的工作机制40-42
• 第三节 实验结果分析42-48
• 第四节 本章小结48-49
• 第四章 基于蚁群算法的高光谱遥感分类49-65
• 第一节 基于信息熵的影像灰度属性离散化49-52
• 第二节 基于蚁群算法的分类规则提取52-54
• 第三节 基于混合算法的分类规则提取54-56
• 第四节 基于蚁群算法的SVM高光谱分类算法56-58
• 第五节 实验结果分析58-63
• 第六节 本章小结63-65
• 第五章 结论与展望65-69
• 第一节 结论65-66
• 一、高光谱遥感影像最优波段选择65-66
• 二、高光谱遥感分类66
• 第二节 不足与展望66-69
• 一、存在的不足66-67
• 二、展望67-69
• 参考文献69-77
• 发表文章目录77-79
• 致谢79-80

，

本文编号：648817