基于高光谱遥感的岩矿特征分类方法研究
发布时间：2021-01-19 11:47
高光谱遥感图像（HSI）因其含有丰富的光谱、空间信息,可在紫外到近红外的光谱范围内获得物质的窄带、近似连续的光谱曲线,进而对材料和目标识别提供了有价值的信息,可进行分类识别。为利用遥感技术找矿进行先验性的地质填图工作,本文将岩矿作为研究对象,在分析现有的高光谱遥感岩矿特征分类的算法中发现,它们大多单纯地利用图像光谱维信息进行岩矿的分类（如光谱角填图法（SAM）、支持向量机（SVM）等）,其中可能由于矿石晶体结构变化、掺杂元素含量的多少以及伴生晶体等原因增加了分类的复杂性,导致分类精度不尽如人意。本文通过对矿石的光谱和空间特征的研究,并将其作为后续分类工作的理论依据;同时针对现有的基于光谱特征的高光谱图像分类方法、基于SVM的高光谱图像分类方法展开了研究,并结合实验分析影响其分类精度的原因;最后,本文提出了一种基于深度学习的监督分类算法,该方法利用卷积神经网络结合像素的光谱和空间信息进行深度监督分类,在AVIRIS高光谱数据内对明矾石、高岭石、蒙脱石和玉髓四种矿石进行了分类识别,实验结果为矿石的总体分类精度为90.58%,Kappa系数为0.8676,算法表现出了优良的分类性能,表明本文...
【文章来源】：郑州航空工业管理学院河南省
【文章页数】：67 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
Abstract
第一章 绪论
1.1 研究目的及意义
1.2 国内外研究现状
1.3 研究内容
1.4 研究路线及关键技术
1.5 本论文拟解决的实际问题及创新点
第二章 岩矿特征的研究及数据的预处理
2.1 岩矿特征的研究
2.1.1 矿石光谱特征
2.1.2 矿石空间特征
2.2 研究区概况
2.3 研究区数据预处理
2.3.1 辐射校正概述
2.3.2 大气校正方法
2.3.3 基于FLAASH的 AVIRIS高光谱图像大气校正
2.3.4 FLAASH大气校正结果分析
2.4 本章小结
第三章 基于岩矿光谱特征的高光谱图像分类的研究
3.1 岩矿端元光谱的提取与分析
3.1.1 端元光谱提取算法
3.1.2 高光谱岩矿端元光谱提取实验
3.2 光谱匹配算法的研究
3.2.1 编码匹配
3.2.2 光谱角填图（Spectral Angle Mapper,SAM）
3.2.3 光谱信息散度（Spectral Information Divergence,SID）
3.3 基于岩矿光谱特征的高光谱图像分类实验
3.4 精度评价
3.5 本章小结
第四章 基于支持向量机的高光谱岩矿图像分类研究
4.1 支持向量机的基本原理
4.1.1 最优分类超平面
4.1.2 非线性支持向量机
4.1.3 内积核函数
4.2 基于支持向量机的高光谱岩矿图像分类实验
4.2.1 核函数的影响
4.2.2 数据维数的影响
4.2.3 样本个数的影响
4.3 本章小结
第五章 基于深度学习的高光谱岩矿图像分类的研究
5.1 卷积神经网络的基本原理
5.2 基于卷积神经网络的高光谱岩矿图像分类实验
5.3 本章小结
第六章 结论
参考文献
个人简历、在学期间发表的学术论文与研究成果
【参考文献】：
期刊论文
[1]基于FLAASH模型的Worldview3大气校正[J]. 陈玲,陈理,李伟,刘建宇. 国土资源遥感. 2019(04)
[2]湖南千里山岩体中金红石化学成分标型特征研究[J]. 王耀可,鲁安怀,李斌,王智琳,束正祥. 岩石矿物学杂志. 2019(05)
[3]大宝山多金属矿床氧化微粒的X射线衍射和近红外光谱分析及其意义[J]. 邓永康,曹建劲,党万强,王国强,刘翔,李德伟. 光谱学与光谱分析. 2019(09)
[4]加入高程因子的航空高光谱影像大气辐射校正[J]. 伊丕源,李瀚波,童鹏,赵英俊,张川,田丰,车永飞,吴文欢. 国土资源遥感. 2019(02)
[5]不同空间分辨率高光谱遥感数据对蚀变矿物信息提取的影响[J]. 梁丹迪,周可法,王珊珊,王金林. 地质科技情报. 2019(03)
[6]基于PCA与协同表示的高光谱图像分类研究[J]. 韩嫚莉,侯卫民,孙靖国,王明,梅少辉. 电子科技大学学报. 2019(01)
[7]基于波段选择改进的高光谱端元提取方法[J]. 严阳,华文深,张炎,崔子浩,刘恂. 激光技术. 2019(04)
[8]基于PCA网络的光谱-空间联合的高光谱图像分类[J]. 王凡. 计算机仿真. 2018(10)
[9]基于SVM的高分辨率遥感图像的分类方法研究[J]. 刁彦华,郭月,王晓君. 数学的实践与认识. 2018(01)
[10]Evaluation of atmospheric corrections on hyperspectral data with special reference to mineral mapping[J]. Nisha Rani,Venkata Ravibabu Mandla,Tejpal Singh. Geoscience Frontiers. 2017(04)
博士论文
[1]基于深度学习的高光谱影像分类方法研究[D]. 马晓瑞.大连理工大学 2017
[2]高光谱遥感影像光谱解混算法研究[D]. 杨华东.大连海事大学 2015
[3]高光谱遥感岩矿特征提取与分类方法研究[D]. 林娜.成都理工大学 2011
硕士论文
[1]高光谱遥感蚀变矿物填图算法对比研究及应用[D]. 侯毅.成都理工大学 2015
本文编号：2986929
【文章来源】：郑州航空工业管理学院河南省
【文章页数】：67 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
Abstract
第一章 绪论
1.1 研究目的及意义
1.2 国内外研究现状
1.3 研究内容
1.4 研究路线及关键技术
1.5 本论文拟解决的实际问题及创新点
第二章 岩矿特征的研究及数据的预处理
2.1 岩矿特征的研究
2.1.1 矿石光谱特征
2.1.2 矿石空间特征
2.2 研究区概况
2.3 研究区数据预处理
2.3.1 辐射校正概述
2.3.2 大气校正方法
2.3.3 基于FLAASH的 AVIRIS高光谱图像大气校正
2.3.4 FLAASH大气校正结果分析
2.4 本章小结
第三章 基于岩矿光谱特征的高光谱图像分类的研究
3.1 岩矿端元光谱的提取与分析
3.1.1 端元光谱提取算法
3.1.2 高光谱岩矿端元光谱提取实验
3.2 光谱匹配算法的研究
3.2.1 编码匹配
3.2.2 光谱角填图（Spectral Angle Mapper,SAM）
3.2.3 光谱信息散度（Spectral Information Divergence,SID）
3.3 基于岩矿光谱特征的高光谱图像分类实验
3.4 精度评价
3.5 本章小结
第四章 基于支持向量机的高光谱岩矿图像分类研究
4.1 支持向量机的基本原理
4.1.1 最优分类超平面
4.1.2 非线性支持向量机
4.1.3 内积核函数
4.2 基于支持向量机的高光谱岩矿图像分类实验
4.2.1 核函数的影响
4.2.2 数据维数的影响
4.2.3 样本个数的影响
4.3 本章小结
第五章 基于深度学习的高光谱岩矿图像分类的研究
5.1 卷积神经网络的基本原理
5.2 基于卷积神经网络的高光谱岩矿图像分类实验
5.3 本章小结
第六章 结论
参考文献
个人简历、在学期间发表的学术论文与研究成果
【参考文献】：
期刊论文
[1]基于FLAASH模型的Worldview3大气校正[J]. 陈玲,陈理,李伟,刘建宇. 国土资源遥感. 2019(04)
[2]湖南千里山岩体中金红石化学成分标型特征研究[J]. 王耀可,鲁安怀,李斌,王智琳,束正祥. 岩石矿物学杂志. 2019(05)
[3]大宝山多金属矿床氧化微粒的X射线衍射和近红外光谱分析及其意义[J]. 邓永康,曹建劲,党万强,王国强,刘翔,李德伟. 光谱学与光谱分析. 2019(09)
[4]加入高程因子的航空高光谱影像大气辐射校正[J]. 伊丕源,李瀚波,童鹏,赵英俊,张川,田丰,车永飞,吴文欢. 国土资源遥感. 2019(02)
[5]不同空间分辨率高光谱遥感数据对蚀变矿物信息提取的影响[J]. 梁丹迪,周可法,王珊珊,王金林. 地质科技情报. 2019(03)
[6]基于PCA与协同表示的高光谱图像分类研究[J]. 韩嫚莉,侯卫民,孙靖国,王明,梅少辉. 电子科技大学学报. 2019(01)
[7]基于波段选择改进的高光谱端元提取方法[J]. 严阳,华文深,张炎,崔子浩,刘恂. 激光技术. 2019(04)
[8]基于PCA网络的光谱-空间联合的高光谱图像分类[J]. 王凡. 计算机仿真. 2018(10)
[9]基于SVM的高分辨率遥感图像的分类方法研究[J]. 刁彦华,郭月,王晓君. 数学的实践与认识. 2018(01)
[10]Evaluation of atmospheric corrections on hyperspectral data with special reference to mineral mapping[J]. Nisha Rani,Venkata Ravibabu Mandla,Tejpal Singh. Geoscience Frontiers. 2017(04)
博士论文
[1]基于深度学习的高光谱影像分类方法研究[D]. 马晓瑞.大连理工大学 2017
[2]高光谱遥感影像光谱解混算法研究[D]. 杨华东.大连海事大学 2015
[3]高光谱遥感岩矿特征提取与分类方法研究[D]. 林娜.成都理工大学 2011
硕士论文
[1]高光谱遥感蚀变矿物填图算法对比研究及应用[D]. 侯毅.成都理工大学 2015
本文编号：2986929
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/2986929.html
