高光谱图像地物及目标识别

发布时间：2020-04-02 10:24

【摘要】：高光谱图像中的光谱信息相对其他图像中的形状学信息更易于提高识别的准确率,因此高光谱遥感技术在地物及目标识别中引发了一系列的研究,并在众多领域得到了广泛的应用。然而由于地物分布往往多样复杂,高光谱图像在获取过程中会受到地物反射和大气传输等较多因素的影响,这会导致图像中存在一些畸变波段,其影像数据也会有辐射量失真。这种现象给高光谱图像在地物分类和目标识别过程中带来了一定的困难。本文针对以上问题,对高光谱图像中地物分类算法以及目标识别算法进行研究,主要工作包括以下几部分:1、研究了高光谱图像的数据特点,对高光谱分类的原理进行了介绍,在此基础上,总结了现有分类算法的优缺点,从而找出更具优势的经典分类算法,并在后续研究中对其进行改进。目标识别可以看作一种二分类问题,因此在分类技术的基础上对目标识别的原理和算法进行了研究,根据是否已知背景和目标信息,详细介绍了几种经典的识别算法,并应用于后续的对比实验。2、针对实际环境中地物种类多样、复杂,直接对高光谱图像进行分类会导致错分概率较高这一问题,研究了邻域信息对中心像元的影响,提出了一种新的基于稀疏特性和邻域相似度量的分类算法(WJSRC)。在待测像元邻域内的所有像元中,选择与待测像元相似性高的像元,构建最优邻域窗口,根据最小残差准则确定待测中心像元的类别。相比于经典算法,WJSRC能够较好地提高高光谱图像的分类精度,且在不同的实验数据下具备良好的稳定性,进一步验证了邻域相似度及空谱结合在联合稀疏表示分类的必要性。3、针对高光谱遥感图像中的低概率出露目标常以混合像元的形式存在于背景中,且其信号特征微弱等问题,提出了一种新的目标识别算法。对几种核函数进行研究构建了指数型高斯核函数并将其作为权重因子用于自相关矩阵的计算,通过构建平衡因子将RX算子与CEM算子相结合,提出了一种新的识别算法。通过分析权重因子与平衡因子,找出性能更优的参数,使算法能更好地抑制背景和异常干扰,在保证低虚警率的情况下大幅度提高了检出率,利用两幅不同环境下的高光谱图像进行实验,验证了算法的通用性与稳定性。通过将极值与自动子空间划分相结合对数据降维并应用于BKCEM算法中(EBKCEM),在保证准确度不变的同时较好地改善了时间耗时的问题。与经典的识别算法相比,EBKCEM算法显著提升了算法识别的准确度和效率,在机动目标的识别中展示了良好的效果。
【图文】：

模型图,高光谱图像,数据描述,模型

2.5水体图2.2 高光谱图像数据描述模型2.1.2 高光谱图像分析与应用信息获取是空中或空间对地观测的根本目标或核心任务。信息蕴含于数据，对高光谱遥感而言信息即蕴含于高光谱图像。因此，高光谱图像分析与应用必然是达成信息获取的主要途径，这一点与传统的全色和多光谱遥感尚无本质区别。问题在于，高光谱遥感数据在增大地物信息获取潜力的同时，也给信息获取手段即图像分析与应用带来了困难。反过来看，这也意味着，高光谱图像处理与分析是制约着高光谱遥感应用的重要瓶颈。地物光谱特征分析高光谱成像原理遥感物理学基础传感器定标数据降维高光谱图像目标检测高光谱遥感的军民应用几何校正辐射校正反射率反演图像压缩与解压缩光谱特征提取端元提取光谱解混高光谱图像地物分类基于光谱特征的地物识别光谱的获取高光谱图像预处理特征提取与解混数据处理技术应用图2.3 高光谱遥感应用的基本流程高光谱遥感数据最大的特点就是可以将空间维与光谱维的信息融合到一起，不仅

高光谱图像,高光谱影像,波段

Pavia University，图像大小为610 340像素，其波段相对较少，共有 115 个波段。(a) Indian Pines 高光谱影像 (b) Pavia University 高光谱影像图3.2 高光谱影像图IndianPines 高光谱遥感数据集：该数据集包含 16 个地面真理类，如表 3.1 所示。由于高光谱图像在获取过程中会受到地物反射和大气传输等较多因素的影响，会使图像中的波段有辐射量失真，这就导致了低信噪比波段和残损波段的存在，因此在后续实验中考虑将这些残损波段剔除，，仅使用剩下的 200 个波段。对于每一类，随机性选取所有像元中的 10%训练，并使用余下的 90%进行测试。
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP751

【相似文献】