学位论文 > 优秀研究生学位论文题录展示
高光谱图像类别信息相关技术研究
作 者: 邓禄群
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 类别信息 支持向量机 保护感兴趣类别 端元提取
分类号: TP751
类 型: 硕士论文
年 份: 2010年
下 载: 114次
引 用: 2次
阅 读: 论文下载
内容摘要
高光谱遥感技术已经成为遥感发展的前沿,并且在民用以及军用等多个领域发挥着极其重要的作用。高光谱图像的高分辨率、多波段数、窄波段宽度、大数据量在为人类带来巨大的研究价值的同时,也给高光谱图像的处理带来了巨大的挑战。本文以高光谱图像数据为对象,研究了高光谱图像类别信息的相关技术。论文首先分析了高光谱图像处理面临的问题,并对高光谱图像处理的两个重要的方面——分类和端元提取进行了简要分析,指出了传统的有类别信息的监督分类方法和无类别信息的端元提取方法的缺点,说明了对高光谱图像处理技术进行研究的必要性。对于高光谱图像的有类别信息的监督分类方法,论文提出了基于LS-SVM的保护感兴趣类别的两种处理方法:精简样本类别法和改变权值法。在精简样本类别法中,通过去掉非感兴趣类别样本,留下感兴趣类别样本,感兴趣类别样本的分类精度得到了较大幅度的提高;在改变权值法中,通过改变训练过程对各类别训练样本的重视程度,感兴趣类别的训练样本受到重视,从而使其分类精度得到了提高。对于高光谱图像的无类别信息的端元提取算法,论文提出了基于距离比较的端元提取算法。由于SGA算法和N-FINDR算法与其他算法相比具有明显的优点,因此本论文主要对这两种算法进行研究。首先论文对SGA算法进行改进,构造超平面,用点到平面的距离计算替代体积计算;其次,在支持向量机的基础上对N-FINDR算法进行改进,挖掘支持向量机的本质,用支持向量机计算距离的方法进行端元提取,实现了免于预降维处理的N-FINDR算法。实验证明,改进的算法在保证端元提取效果不变的前提下,运行速度大大提高,降低了算法的计算复杂度。同时论文还对高光谱图像数据预处理技术提出了一些方法,如像素预排序处理和野值点的检测与去除等,也能很好的改进原始端元提取算法的运行速度。
|
全文目录
摘要 5-7 ABSTRACT 7-12 第1章 绪论 12-24 1.1 课题背景及研究的目的意义 12-16 1.1.1 遥感的定义 12 1.1.2 遥感的分类 12-14 1.1.3 遥感的应用 14-15 1.1.4 遥感研究的主要方向 15-16 1.2 有类别信息下的监督分类方法发展现状 16-18 1.3 无类别信息下的端元提取技术发展现状 18-22 1.3.1 N-FINDR方法 19 1.3.2 PPI方法 19-20 1.3.3 MEST方法 20 1.3.4 IEA方法 20 1.3.5 ORASIS方法 20-21 1.3.6 AMEE方法 21-22 1.4 论文的主要内容及结构安排 22-24 第2章 支持向量机的基本理论 24-40 2.1 引言 24-25 2.2 支持向量机的主要内容 25-33 2.2.1 线性SVM 25-28 2.2.2 广义线性SVM 28-29 2.2.3 非线性SVM 29-31 2.2.4 核函数 31-33 2.3 支持向量机的特点 33 2.4 最小二乘SVM 33-35 2.5 SVM多分类方法 35-38 2.5.1 1-a-r型多分类SVM 35-37 2.5.2 1-a-1型多分类SVM 37-38 2.6 本章小结 38-40 第3章 基于SVM的保护感兴趣类别法 40-48 3.1 引言 40-41 3.2 保护感兴趣类别法 41-47 3.2.1 精简样本类别方法 41-42 3.2.2 改变权值法 42-43 3.2.3 结果与分析 43-47 3.3 本章小结 47-48 第4章 端元提取算法的基础知识 48-68 4.1 引言 48 4.2 高光谱遥感图像数据及表示方式 48-52 4.3 线性混合模型 52-55 4.3.1 混合像素的产生 52 4.3.2 光谱混合的物理模型 52-53 4.3.3 模型的数学表达 53-55 4.4 预降维处理方法 55-58 4.4.1 主成分分析(PCA) 55-56 4.4.2 MNF变换 56-58 4.5 几种典型的端元提取算法 58-67 4.5.1 N-FINDR算法 58-61 4.5.2 SGA算法 61-62 4.5.3 OBA算法 62-65 4.5.4 PPI算法 65-67 4.6 其他算法 67 4.7 本章小结 67-68 第5章 基于距离比较的端元提取算法 68-82 5.1 引言 68-69 5.2 改进的SGA算法 69-73 5.2.1 算法的原理及相应的推导 69-71 5.2.2 试验结果及分析 71-73 5.3 基于LLSSVM的N-FINDR改进算法 73-77 5.3.1 算法原理 73-75 5.3.2 试验结果 75-77 5.4 精简端元数目的光谱解混方法 77-78 5.5 像素预处理方法 78-80 5.5.1 野值点的检测与去除 78-79 5.5.2 像素预排序 79-80 5.6 本章小结 80-82 结论 82-85 参考文献 85-92 攻读硕士学位期间发表的论文和取得的科研成果 92-93 致谢 93
|
相似论文
- 基于SVM的常压塔石脑油干点软测量建模研究,TE622.1
- 基于SVM的高速公路路面浅层病害的自动检测算法研究,U418.6
- 基于PCA-SVM的液体火箭发动机试验台故障诊断算法研究,V433.9
- 高光谱图像空—谱协同超分辨处理研究,TN911.73
- 空间目标ISAR成像仿真及基于ISAR像的目标识别,TN957.52
- 音乐结构自动分析研究,TN912.3
- 基于三维重建的焊点质量分类方法研究,TP391.41
- 胆囊炎和肾病综合症脉象信号的特征提取与分类研究,TP391.41
- 基于感兴趣信息的高光谱图像压缩技术研究,TP391.41
- 直推式支持向量机研究及其在图像检索中的应用,TP391.41
- 基于SVM的中医舌色苔色分类方法研究,TP391.41
- 基于图像的路面破损识别,TP391.41
- 高光谱与高空间分辨率遥感图像融合算法研究,TP751
- 基于支持向量机的故障诊断方法研究,TP18
- 过程支持向量机及其在卫星热平衡温度预测中的应用研究,TP183
- 基于核方法的高光谱图像异常检测算法研究,TP751
- 基于监督流形学习算法的固有不规则蛋白质结构预测研究,Q51
- 基于车载3D加速传感器的路况监测研究,TP274
- 高光谱图像技术诊断黄瓜病害方法的研究,S436.421
- 基于机器学习的入侵检测系统研究,TP393.08
- 支持向量机回归在短期电力负荷预测中的应用研究,TM715;F224
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
|