高光谱遥感影像空谱特征提取与分类方法研究

发布时间：2017-06-01 21:20

  本文关键词：高光谱遥感影像空谱特征提取与分类方法研究，由笔耕文化传播整理发布。

【摘要】：高光谱遥感影像提供了丰富的光谱信息，在遥感对地观测系统中占据越来越重要的位置，并被广泛应用于现代军事、精确农业以及环境监控等诸多领域。然而传统的遥感影像处理技术在分析高光谱影像时面临许多问题和挑战：如何解决高维数据小样本识别分类问题、如何实现高维数据的实时处理、如何提升光谱类似地物的区分能力等等。本论文通过对高光谱影像自身特性的深入分析，在总结高光谱图像处理研究现状的基础上，研究了多种高性能的特征提取与分类识别技术，并用多个高光谱遥感应用实例验证了本文提出的多种方法。 对于高光谱影像特征提取，本文提出了一种基于图像融合与递归滤波的方法。该方法通过图像融合与递归滤波有效去除高光谱影像中的噪声，强化地物的形状与轮廓等显著空间结构，从而有效降低类内差异，同时增大类间差异。实验比较了该方法与其他广泛使用的高光谱影像特征提取方法，结果显示：基于图像融合与递归滤波方法获取的影像特征可有效描述地物目标的空间上下文信息，提升高光谱影像分类精度。 光谱反射值是高光谱影像的关键特征，然而受到传感器成像机理、拍摄环境以及气候条件等因素的影响，遥感高光谱影像中的光谱反射值往往并不纯净甚至可能包含严重的失真与畸变。针对这一问题，我们提出了一种基于本质图像分解的高光谱影像特征提取算法。基于人眼视觉感知模型，利用人眼区分亮度特征与光谱反射特征的能力，将高光谱影像分解为亮度成份与光谱反射成份，并将通过本质图像分解获取的影像纯净光谱反射成份用于地物识别分类。实验中，我们将本质图像分解特征应用于高光谱遥感应用实例并与多种现有的高光谱影像特征提取方法进行了比较。结果显示：基于本质图像分解的特征提取方法能够有效消除多种不利因素（如：场景光照、阴影以及成像噪声等）对影像光谱反射值的影响，提供了更高的分类精度。尤其是在处理小样本数据分类问题时，基于本质图像分解的特征提取方法依旧能够提供较高的地物分类精度。 对于高光谱影像识别分类，本文针对传统空谱（空间-光谱）分类方法计算复杂度高的不足，提出了一种基于边缘保持滤波的快速高光谱影像空谱分类技术。其基本步骤如下：首先，使用支持向量机逐像素解译高光谱影像。然后，用边缘保持滤波优化光谱分类结果。边缘保持滤波是一种非线性滤波器。相比于高斯滤波，它的主要优势在于其滤波过程中考虑了影像的边缘结构，因此能够有效联合高光谱影像的空间与光谱信息。此外，我们提出了两种非迭代滤波方案：一种是基于非线性高斯模型的双边滤波方法，另一种是基于局部线性模型的引导滤波方法。实验采用AVIRIS航空数据与ROSIS-3航空影像进行地物解译，并比较了基于边缘保持滤波的方法与多种常用的空谱分类方法。结果表明边缘保持滤波方法具备计算复杂度低以及分类精度高等优势。 常用基于局部优化的空谱分类方法无法模拟更深层次的空间上下文关系，因此在小样本高维数据分类问题上存在性能瓶颈。针对这一问题，我们提出了基于随机行走的高光谱影像空谱分类算法。通过改进原始的随机行走算法，构建联合影像空间与光谱信息的随机行走能量函数，最后通过求解该函数封闭解实现对高光谱影像的精确快速解译。实验结果显示该方法突破了多种近年提出的空谱分类方法在小样本高维数据分类问题上的性能瓶颈，进一步提升了分类精度。 最后，我们验证了本文提出的特征提取与分类识别方法在真实高光谱遥感实例上的性能。具体包括：1)融合远红外高光谱影像与可视影像对魁北克省塞特福德矿城黑湖区域进行城市地物分类；2)通过对高光谱影像进行特征提取与分类，对肯尼迪航天中心周边的植被进行树种区分与精确制图；3)对博茨瓦纳草原湿地植被进行区分与制图，并通过高光谱技术分析该区域的洪水与火灾隐患的空间分布。4)对中国黄河口三角洲区域的植被、土壤与水体进行识别分类与精确制图。
【关键词】：高光谱遥感 特征提取 信息融合 分类识别 边缘保持滤波 双边滤波 引导滤波 空谱分类 本质分解 随机行走
【学位授予单位】：湖南大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP751
【目录】：

• 摘要5-7
• Abstract7-9
• 目录9-12
• 插图索引12-15
• 附表索引15-16
• 第1章 绪论16-31
• 1.1 研究背景与意义16-18
• 1.2 国内外研究现状18-26
• 1.2.1 高光谱遥感影像特点与面临的挑战18-20
• 1.2.2 研究现状与存在的问题20-26
• 1.3 论文研究内容与章节安排26-31
• 1.3.1 研究内容28-29
• 1.3.2 章节安排29-31
• 第2章 基于图像融合与域变换递归滤波的高光谱影像特征提取31-52
• 2.1 域变换递归滤波31-35
• 2.1.1 一维域变换递归滤波原理31-33
• 2.1.2 二维域变换递归滤波原理与特性33-35
• 2.2 基于图像融合与递归滤波的特征提取算法35-37
• 2.2.1 基于图像融合的特征降维35-37
• 2.2.2 基于递归滤波的空间特征提取与分类37
• 2.3 实验结果与分析37-51
• 2.3.1 实验数据38-40
• 2.3.2 评价指标40-41
• 2.3.3 参数分析41-43
• 2.3.4 实验结果43-51
• 2.4 本章小结与讨论51-52
• 第3章 基于本质图像分解的高光谱影像特征提取52-72
• 3.1 本质图像分解52-54
• 3.1.1 本质图像分解原理与特性52-53
• 3.1.2 基于最优化的本质图像分解方法53-54
• 3.2 基于本质图像分解的特征提取算法54-58
• 3.2.1 高光谱影像降维54-55
• 3.2.2 分组本质图像分解55-58
• 3.3 实验结果与分析58-71
• 3.3.1 参数分析58-60
• 3.3.2 实验结果60-71
• 3.4 本章小结与讨论71-72
• 第4章 基于边缘保持滤波的高光谱影像空谱分类72-89
• 4.1 边缘保持滤波72-75
• 4.1.1 边缘保持滤波原理及其特性72-73
• 4.1.2 双边滤波原理73-74
• 4.1.3 引导滤波原理74-75
• 4.2 基于边缘保持滤波的图像分类算法75-78
• 4.2.1 监督分类建模76
• 4.2.2 初始概率构造76
• 4.2.3 概率图像滤波与分类76-78
• 4.3 实验结果与分析78-87
• 4.3.1 参数与滤波器影响分析78-82
• 4.3.2 实验结果82-87
• 4.4 本章小结与讨论87-89
• 第5章 基于扩展随机行走的高光谱影像空谱分类89-102
• 5.1 随机行走89-91
• 5.1.1 基于随机行走的图像分割原理89-90
• 5.1.2 扩展随机行走原理90-91
• 5.2 基于扩展随机行走的高光谱影像分类算法91-94
• 5.2.1 基于支持向量机的初始概率估计91-92
• 5.2.2 基于扩展随机行走的概率优化与分类92-94
• 5.3 实验结果与分析94-100
• 5.3.1 参数分析94-96
• 5.3.2 实验结果96-100
• 5.4 本章小结与讨论100-102
• 第6章 高光谱影像空谱特征提取与分类遥感应用实例102-124
• 6.1 加拿大魁北克省塞特福德矿城城市分类102-111
• 6.1.1 实验数据102-104
• 6.1.2 实验设计与分析104-111
• 6.2 肯尼迪航天中心周边植被识别111-114
• 6.2.1 实验数据111
• 6.2.2 实验设计与分析111-114
• 6.3 博茨瓦纳草原湿地植被制图与灾害检测114-117
• 6.3.1 实验数据114-117
• 6.3.2 实验设计与分析117
• 6.4 黄河口三角洲周边植被与水体制图117-124
• 6.4.1 实验数据120
• 6.4.2 实验设计与分析120-124
• 第7章 结论与展望124-127
• 7.1 本文主要工作124-125
• 7.2 下一步研究方向125-127
• 参考文献127-136
• 致谢136-138
• 附录 A:攻读学位期间参与的科研项目及所发表的学术论文目录138-141
• 附录 B:攻读学位期间申请专利及获得的奖励141

【参考文献】

中国期刊全文数据库 前1条

1 杨国鹏;余旭初;冯伍法;刘伟;陈伟;;高光谱遥感技术的发展与应用现状[J];测绘通报;2008年10期

  本文关键词：高光谱遥感影像空谱特征提取与分类方法研究，由笔耕文化传播整理发布。

，

本文编号：413497