学位论文 > 优秀研究生学位论文题录展示
高光谱图像波段选择方法的研究
作 者: 魏芳洁
导 师: 王立国
学 校: 哈尔滨工程大学
专 业: 信号与信息处理
关键词: 高光谱图像 波段选择 遗传算法 蚁群算法 拟态物理学优化算法
分类号: TP751
类 型: 硕士论文
年 份: 2013年
下 载: 109次
引 用: 0次
阅 读: 论文下载
内容摘要
随着遥感技术和成像光谱仪的发展,高光谱遥感图像的应用越来越广泛,但其具有波段数多、数据量庞大等特点给高光谱图像的分类、识别等带来了很大的困难。例如,信息冗余度高、数据存储所需空间大、处理时间长,且由于高光谱图像的波段数多,容易出现维数灾难现象,即分类精度下降。因此,在保证地物分类识别率的情况下,减少数据量、节省资源的降维处理是非常有必要的。特征提取和波段选择是高光谱图像的两种主要降维方法。利用特征提取进行降维,算法复杂、计算量较大,且是通过某种变换来实现降维目的,因其改变了原始数据的物理意义而不利于数据的解译。相比之下,波段选择是从高光谱图像所有波段中选择起主要作用的波段子集,不仅能大大降低高光谱图像的数据维数,而且能比较完整地保留有用的信息,更具特殊意义。高光谱图像的波段选择是一种很复杂的波段组合优化问题,它要求所选的波段组合有较好的性能,即选择出信息量较大、相关性较小、类别可分性较好的波段组合。波段选择技术包括两方面:一方面是准则函数,另一方面是搜索方法。现有的波段选择方法大多不能兼顾时间效率和精解效率两个方面,研究一种兼顾时间效率和精解效率的波段选择方法是急需解决的问题。基于此,本文在悉心总结前人研究成果的基础上对高光谱图像波段选择做了深入的研究,主要研究内容如下:1、结合遗传算法和蚁群算法的高光谱图像波段选择。通过对遗传算法和蚁群算法的深入研究,得知遗传算法具有快速性、随机性和全局收敛性而蚁群算法具有正反馈性和求解效率高的特点。该算法首先利用遗传算法以较快的寻优能力获得几组较优解,以此来初始化蚁群算法的初始信息素列表,然后用蚁群算法以较高的求精解能力获得最优解,并且在遗传算法部分中采用四进制的编码方式,使得算法编/译码简单、遗传算子操作简捷、处理时所占空间小,同时在蚁群算法部分中巧妙地对预处理图像进行子空间划分来缩小蚂蚁搜索的范围,提高了算法的搜索效率,减小了输出波段组合的相关性和冗余度。由于该算法充分地吸取遗传算法和蚁群算法的优点,并且克服各自的缺陷,是一种计算耗时少、收敛性能好的波段选择方法。利用AVIRIS图像对提出的算法进行验证,实验结果证明了该算法在精解效率和时间效率方面都获得较好的效果。2、结合拟态物理学优化算法的高光谱图像波段选择。拟态物理学优化算法是一种新的群体随机搜索算法,具有较好的全局搜索能力,不易陷入局部最优,且具有稳定和快速收敛的特点以及较好的鲁棒性。该算法已经在单、多目标优化问题中得到了很好的应用。基于此,文中将拟态物理学优化算法应用于高光谱图像的波段选择。由于拟态物理学优化算法是一种较新的算法,算法中的质量函数和引力参量对算法性能有着至关重要的影响,因此本文分别对这两个重要因素做了深入研究。在本文的算法中,采用了类间可分性和波段组合的信息量两个主要性能指标的权重组合作为适应度函数,此外,在算法开始时先对高光谱图像进行了子空间划分,使得最优解中的波段间相关性较小,冗余度低。本文算法与基于蚁群、遗传和粒子群算法的波段选择方法相比,由实验结果证明了本文方法是一种搜索效率和精解效率都比较好的波段选择方法。3、快速SGA算法的构建及在波段选择中的应用。原始SGA算法是一种光谱端元选择方法,主要是通过计算端元组合形成单型体的体积来选择端元,其最终选择的端元组合较稳定,解决了N-FINDR算法解的不稳定,但其计算量相当大。而本文提出的快速SGA算法是利用距离计算取代体积计算,使得在选择端元效果相当的情况下提高了算法的时间效率。另外,由于端元选择可以很好地移植于波段选择中,文章提出了利用快速SGA算法进行波段选择的思想。本文提出的三种算法各有优点,结合遗传算法和蚁群算法的高光谱图像波段选择方法在地物类别多的情况下,可以获取信息量较大的波段子集;结合拟态物理学优化算法的高光谱图像波段选择方法不仅在波段选择时间效率方面有着明显的优势,而且得到的波段子集有利于图像的分类;快速SGA算法主要是搜索时间效率方面有着突出的优势。
|
全文目录
摘要 5-7 ABSTRACT 7-12 第1章 绪论 12-20 1.1 课题研究的背景和目的意义 12-13 1.1.1 研究背景 12-13 1.1.2 课题研究的目的意义 13 1.2 高光谱图像波段选择的研究现状 13-16 1.3 论文主要研究内容及结构安排 16-17 1.4 本文实验运行的环境 17-18 1.5 本文所采用的数据源 18-20 第2章 高光谱图像波段选择技术 20-31 2.1 高光谱图像数据简介 20-24 2.1.1 高光谱数据的特点 20 2.1.2 高光谱数据的表达形式 20-21 2.1.3 高光谱图像特征分析 21-24 2.2 高光谱图像波段选择基本概念 24-29 2.2.1 波段选择的思想 24 2.2.2 波段选择的必要性 24-26 2.2.3 波段选择的原则 26-29 2.2.4 波段选择的流程 29 2.3 高光谱图像波段选择方法的评价 29-30 2.4 本章小结 30-31 第3章 结合遗传算法和蚁群算法的高光谱图像波段选择 31-49 3.1 遗传算法 31-35 3.1.1 遗传算法的概述及原理 31 3.1.2 遗传算法的基本步骤及流程 31-33 3.1.3 遗传算法的特点及应用 33-35 3.2 蚁群算法 35-38 3.2.1 蚁群算法的原理 35-36 3.2.2 蚁群算法的基本步骤及流程 36-37 3.2.3 蚁群算法的特点及应用 37-38 3.3 结合遗传算法和蚁群算法的高光谱图像波段选择 38-48 3.3.1 算法的实现步骤 38-42 3.3.2 实验结果及分析 42-48 3.4 本章小结 48-49 第4章 结合 APO 算法的高光谱图像波段选择 49-72 4.1 APO 算法 49-54 4.1.1 APO 算法的原理 49-50 4.1.2 AP 方法到种群优化算法的映射 50-51 4.1.3 影响 APO 算法性能的重要因素 51-52 4.1.4 APO 算法的基本步骤及流程 52-53 4.1.5 APO 算法的特点及应用 53-54 4.2 结合 APO 算法的高光谱图像波段选择 54-71 4.2.1 算法实现步骤及流程 55-57 4.2.2 实验结果及分析 57-71 4.3 本章小结 71-72 第5章 快速 SGA 算法的构建及在波段选择中的应用 72-79 5.1 SGA 算法 72-73 5.2 快速 SGA 算法 73-78 5.2.1 基本原理 73-74 5.2.2 快速 SGA 算法的端元选择 74-78 5.3 本章小结 78-79 结论与展望 79-81 参考文献 81-88 攻读硕士学位期间发表的论文和取得的科研成果 88-89 致谢 89
|
相似论文
- 天然气脱酸性气体过程中物性研究及数据处理,TE644
- 压气机优化平台建立与跨音速压气机气动优化设计,TH45
- 多导弹协同作战突防效能评估及组合优化算法研究,TJ760.1
- 基于蚁群算法的电梯群优化控制研究,TU857
- 高光谱图像空—谱协同超分辨处理研究,TN911.73
- 基于感兴趣信息的高光谱图像压缩技术研究,TP391.41
- 动态环境下移动对象导航系统相关技术的研究,TP301.6
- 高光谱与高空间分辨率遥感图像融合算法研究,TP751
- 基于改进蚁群算法的机器人路径规划研究,TP242
- 基于遗传算法的模糊层次综合评判在高职教学评价中的应用,G712
- 部队人员网上训练与考核系统的开发,TP311.52
- 基于并行算法的模糊综合评价模型的设计与应用,TP18
- 基于神经网络的牡蛎呈味肽制备及呈味特性研究,TS254.4
- 基于核方法的高光谱图像异常检测算法研究,TP751
- 基于遗传算法的中短波磁天线的设计及实现,TN820
- 改进的蚁群算法及其在TSP上的应用研究,TP301.6
- 基于遗传算法的柑橘图像分割,TP391.41
- 基于混合自适应遗传算法的动态网格调度问题研究,TP393.09
- 基于遗传—牛顿算法的公交优化调度,TP18
- 基于遗传算法和粗糙集的聚类算法研究,TP18
- 基于免疫机制蚁群算法的电力系统无功优化研究,TP18
中图分类: > 工业技术 > 自动化技术、计算机技术 > 遥感技术 > 遥感图像的解译、识别与处理 > 图像处理方法
© 2012 www.xueweilunwen.com
|