高光谱影像土质要素和人工地物分类技术研究

发布时间：2017-05-29 00:00

  本文关键词：高光谱影像土质要素和人工地物分类技术研究，，由笔耕文化传播整理发布。

【摘要】：土质要素和人工地物对军事测绘地理空间信息保障具有重要的作用,高光谱影像含有丰富的光谱信息,为探测地物属性信息、实现地物精细分类提供了新的研究方向。为了提高高光谱影像中土质要素和人工地物的分类精度,本文在总结高光谱影像土质要素和人工地物分类方法的基础上,分别从基于光谱特征的分类识别和基于统计特征的分类识别出发,对高光谱影像土质要素和人工地物分类技术进行了较为深入的研究,主要完成的工作和取得的成果如下：(1)归纳了高光谱影像土质要素和人工地物分类方法的研究现状；总结分析了土质要素和人工地物在不同学科中的分类体系及各自特点,介绍了土质要素的地理分布规律；对土质要素和人工地物光谱特征进行了分析,阐述了基于光谱特征的分类方法的主要思想,总结了传统的光谱相似性测度。(2)在基于光谱特征的分类方法中,针对土质要素和人工地物的光谱特征,组合光谱角余弦测度和相关系数测度形成光谱角余弦-相关系数测度,结合包络线消除算法,提出了基于光谱角余弦-相关系数测度的光谱匹配分类方法,通过影像分类实验,表明光谱角余弦-相关系数测度能够得出更高的土质要素和人工地物分类精度。(3)在基于统计特征的分类方法中,充分利用影像高维数据的统计特征,能够提高土质要素和人工地物的分类精度。将核函数方法和前向贪心算法引入到逻辑回归模型中,构建稳定的输入向量机(IVM)分类器,可直接输出后验概率信息,通过影像分类实验,表明了该方法能够达到与支持向量机(SVM)相当的分类精度,且稳定性更好,稀疏性更强。(4)土质要素和人工地物的相邻像元之间存在着强相关性,利用马尔科夫随机场模型对IVM分类结果进行处理,能够加入空间信息,消除分类结果图中同质区域内的类别噪声。分别计算光谱能量函数和空间能量函数,相加形成总能量函数,利用ICM方法求取能量函数最优值,通过影像处理前后的分类结果对比,表明了马尔科夫随机场模型有利于影像分类精度的提高。
【关键词】：土质要素 人工地物 高光谱影像 光谱角余弦-相关系数测度 输入向量机 分类
【学位授予单位】：解放军信息工程大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：P237
【目录】：

• 摘要5-6
• Abstract6-10
• 第一章 绪论10-19
• 1.1 研究背景和意义10-11
• 1.2 国内外研究现状11-16
• 1.2.1 成像光谱仪研制情况11-12
• 1.2.2 高光谱影像分类技术发展12-14
• 1.2.3 高光谱影像土质要素和人工地物分类技术14-16
• 1.3 论文研究内容16-17
• 1.4 论文组织结构17-19
• 第二章 土质要素和人工地物光谱特征分析19-35
• 2.1 土质要素和人工地物分类体系19-25
• 2.1.1 土质要素分类体系19-22
• 2.1.2 人工地物分类体系22-23
• 2.1.3 土质要素地理分布规律23-25
• 2.2 土质要素和人工地物光谱特征分析25-30
• 2.2.1 土质要素光谱特征分析25-29
• 2.2.2 人工地物光谱特征分析29-30
• 2.3 论文实验数据30-34
• 2.3.1 ROSIS-Pavia University数据30-31
• 2.3.2 OMIS-太湖数据31-33
• 2.3.3 AVIRIS-Cuprite数据33-34
• 2.4 本章小结34-35
• 第三章 基于光谱角余弦-相关系数测度的光谱匹配分类35-49
• 3.1 传统光谱相似性测度35-40
• 3.1.1 几何空间测度35-37
• 3.1.2 概率空间测度37-38
• 3.1.3 变换空间测度38-39
• 3.1.4 综合相似性测度39-40
• 3.2 基于光谱角余弦-相关系数测度的光谱匹配方法40-41
• 3.2.1 包络线消除40
• 3.2.2 基于光谱角余弦-相关系数测度的光谱匹配分类40-41
• 3.3 实验与分析41-48
• 3.3.1 分类流程41-42
• 3.3.2 分类实验42-48
• 3.4 本章小结48-49
• 第四章 基于输入向量机的高光谱影像分类49-61
• 4.1 逻辑回归模型49-51
• 4.2 核逻辑回归模型51-52
• 4.3 基于输入向量机的分类52-54
• 4.3.1 输入向量机分类器52-53
• 4.3.2 输入向量子集选择53
• 4.3.3 参数选择53-54
• 4.4 实验与分析54-60
• 4.4.1 分类流程54-55
• 4.4.2 稳定性分析55-56
• 4.4.3 分类精度分析56-60
• 4.5 本章小结60-61
• 第五章 基于马尔科夫随机场模型的分类后处理61-68
• 5.1 马尔科夫随机场模型61-62
• 5.2 IVM-MRF模型62-64
• 5.3 实验与分析64-67
• 5.3.1 处理流程64
• 5.3.2 处理实验64-67
• 5.4 本章小结67-68
• 第六章 总结与展望68-70
• 6.1 主要工作及创新点68
• 6.2 需要进一步研究的问题68-70
• 致谢70-71
• 参考文献71-74
• 作者简历74

【参考文献】

中国期刊全文数据库 前10条

1 邵远杰;吴国平;马丽;;属类概率距离构图的半监督高光谱图像分类[J];测绘学报;2014年11期

2 张磊;邵振峰;周熙然;丁霖;;聚类特征和SVM组合的高光谱影像半监督协同分类[J];测绘学报;2014年08期

3 谭熊;余旭初;秦进春;魏祥坡;;高光谱影像的多核SVM分类[J];仪器仪表学报;2014年02期

4 陈宏达;普晗晔;王斌;张立明;;基于图像欧氏距离的高光谱图像流形降维算法[J];红外与毫米波学报;2013年05期

5 张浚哲;朱文泉;董燕生;姜乃文;潘耀忠;;一种基于变权重组合的光谱相似性测度[J];测绘学报;2013年03期

6 齐滨;赵春晖;王玉磊;;基于支持向量机与相关向量机的高光谱图像分类[J];吉林大学学报(工学版);2013年S1期

7 李吉明;贾森;彭艳斌;;基于光谱特征和纹理特征协同学习的高光谱图像数据分类[J];光电工程;2012年11期

8 李德仁;童庆禧;李荣兴;龚健雅;张良培;;高分辨率对地观测的若干前沿科学问题[J];中国科学:地球科学;2012年06期

9 苏红军;盛业华;;高光谱影像的改进K-均值监督式聚类分析方法[J];武汉大学学报(信息科学版);2012年06期

10 姚伏天;钱l勌

本文编号：403685