收藏本站
《哈尔滨工业大学》 2010年
收藏 | 手机打开
二维码
手机客户端打开本文

蚁群算法在高光谱图像降维和分类中的应用研究

周爽  
【摘要】: 高光谱遥感数据提供的丰富地表信息使得高光谱遥感的应用越来越广泛,如何充分地利用这大量的信息,以及如何在如此大量的信息中提取有用信息,并使这些信息能够为我们的应用服务,是摆在研究者面前的重要课题。降维和分类是高光谱图像处理中的两个关键技术。无论是高光谱图像的降维,还是高光谱图像的分类,其根本都是要从大量的高光谱数据中提取出能够满足人们需要的特定或要求的信息,而这些信息的提取综合起来都可以说是一个信息的组合优化处理过程。蚁群算法作为一种群智能仿生优化新技术,其突出特点是自组织性、鲁棒性、并行性,非常适合于求解非确定性的离散组合优化问题。本文在分析高光谱图像的光谱分辨率特性、空间相关性、谱间相关性、数据维、信息量等特性的基础上,重点分析了蚁群算法在高光谱图像处理中的应用,证明了蚁群算法完全适用于高光谱图像的降维和分类处理。 高光谱图像的降维包括波段选择和特征提取两种方式。本文提出一种基于蚁群算法的高光谱图像波段选择方法,以解决最优波段选择算法复杂度高,计算量大的问题。将每个波段看作是蚂蚁觅食时所经过的节点,选取不同的评价函数作为蚂蚁选择路径的依据,应用蚁群算法选择出多次搜索中最优的一组波段组合。蚂蚁寻找最优路径的过程,就是最优波段组合的形成过程。通过蚁群算法从众多的光谱波段中挑选出能够反映地物光谱空间分布的特征波段,形成降维的波段子空间达到了降低高光谱图像数据维的目的。 接着,利用高光谱图像高度相关的波段成组出现的特点,提出一种基于蚁群算法的高光谱图像子空间分解方法,在子空间中采用特征变换的方式降低高光谱特征空间的维数。该方法同样将波段作为蚂蚁觅食时经过的节点,蚂蚁依据波段之间的相关性来决定路径的选择,蚂蚁经过优化搜索之后将高维高光谱数据空间分解为几个较低维的数据子空间,再采用传统的主成分分析方法在子空间中提取有效特征,进而实现对高光谱图像的降维。 高光谱图像的分类方法包括监督分类和非监督分类两种。本文提出一种基于蚁群算法的高光谱图像监督分类方法。该方法先依据图像的信息熵将高光谱图像各个波段的单幅图像中的灰度属性分段离散化,然后将这些离散化的灰度属性作为条件项并集合到一起形成一个备选条件项数据集。在训练样本中,将高光谱图像各个波段数据经过离散化后形成的条件项当作蚂蚁的候选路径节点,用条件项的信息熵作为蚂蚁路径转移的启发函数。经过蚂蚁的迭代搜索,每只蚂蚁都构造出一条分类规则,通过信息素浓度的调整,将蚂蚁们构造的规则中质量较好的规则保留下来,而质量不好的规则则在搜索过程中逐渐被淘汰。在所有训练用的地物类别都被归类之后,最终形成用于分类的分类规则。 最后,提出一种基于蚂蚁化学识别系统的蚁群聚类算法。该聚类算法依据蚂蚁之间的相似程度来决定蚂蚁的类别归属,最终相似程度高的蚂蚁可以聚集成一类。在该算法中,遥感图像中的每个像素都被看作是一只蚂蚁,该蚂蚁所携带的信息除其所代表的像素点的各波段光谱信息外,还包括所属类别的标号,类别属性等信息。本文依据基于蚁群算法的高光谱图像波段选择方法获得的选择结果,从中提取若干个特征波段作为数据源,采用上述聚类方法进行实验,并与传统的k均值算法比较实验结果。为了客观地评价聚类结果的优劣,本文综合考虑了聚类算法本身的聚类性能,即类内距,类间距,以及聚类图像与标准图像的相关度,提出一种综合上述参数的聚类图像客观评价指标,并应用该指标对本文提出的聚类算法和传统的k均值算法所获得的图像作出了客观评价。
【学位授予单位】:哈尔滨工业大学
【学位级别】:博士
【学位授予年份】:2010
【分类号】:TP751

【相似文献】
中国期刊全文数据库 前10条
1 刘援农;;蚁群算法在TSP问题中的应用研究[J];硅谷;2011年13期
2 门君;王连玉;李忠光;巴威;;基于改进蚁群算法的汽车抢修车巡回修理问题研究[J];军事交通学院学报;2011年05期
3 计三有;王星;;基于蚁群算法的图书物流中心配送路径规划[J];湖北工业大学学报;2011年04期
4 刘立;王建兴;秦书硕;莫城恺;;一种改进蚁群算法在配电网优化规划中的应用[J];科学技术与工程;2011年24期
5 张宝健;;变异蚁群算法在电力系统无功优化中的应用[J];福建电脑;2011年05期
6 李慧;王来运;;基于混沌蚁群算法的电力短期负荷预测[J];北京信息科技大学学报(自然科学版);2011年04期
7 张敖木翰;钟仰晋;何世伟;;基于蚁群算法的公交线网规划研究[J];交通标准化;2008年13期
8 时贵英;吴雅娟;倪红梅;;一种新改进的粒子群优化算法[J];长春理工大学学报(自然科学版);2011年02期
9 严珍珍;邢立宁;陈英武;;蚁群算法求解消防站的选址问题[J];科学技术与工程;2011年21期
10 李永胜;曲良东;李熹;;自适应信息素更新蚁群算法求解QoS组播路由[J];山东大学学报(工学版);2011年04期
中国重要会议论文全文数据库 前10条
1 关洪浩;唐巍;;蚁群算法的生成树在配电网网架规划中的应用[A];纪念中国农业工程学会成立30周年暨中国农业工程学会2009年学术年会(CSAE 2009)论文集[C];2009年
2 吴正伟;吉文来;陈伟佳;卢扣;;基于蚁群算法的城市紧急救援最佳路径选择[A];地理信息与物联网论坛暨江苏省测绘学会2010年学术年会论文集[C];2010年
3 王鹤;邵良杉;邱云飞;;蚁群算法在露天矿运输系统路径优化中的应用[A];第五届全国煤炭工业生产一线青年技术创新文集[C];2010年
4 刘杰;闫清东;;基于蚁群算法的移动机器人路径规划技术的研究[A];逻辑学及其应用研究——第四届全国逻辑系统、智能科学与信息科学学术会议论文集[C];2008年
5 严彬;熊伟清;程美英;叶青;;基于拥塞控制的多种群二元蚁群算法[A];第二十七届中国控制会议论文集[C];2008年
6 肖岭;熊辉;;一种针对频率指配问题的改进蚁群算法[A];电波科学学报[C];2011年
7 宋春峰;侯媛彬;赵圣刚;;蚁群算法在陀螺温控系统中的应用研究[A];第十四届全国煤矿自动化学术年会暨中国煤炭学会自动化专业委员会学术会议论文集[C];2004年
8 张如伟;黄捍东;赵迪;;一种新的地震非线性反演方法[A];中国地球物理学会第二十四届年会论文集[C];2008年
9 师凯;蔡延光;邹谷山;王涛;;运输调度问题的蚁群算法研究[A];04'中国企业自动化和信息化建设论坛暨中南六省区自动化学会学术年会专辑[C];2004年
10 陈峻;沈洁;秦玲;;蚁群算法进行连续参数优化的新途径[A];加入WTO和中国科技与可持续发展——挑战与机遇、责任和对策(下册)[C];2002年
中国重要报纸全文数据库 前6条
1 惠永辉 徐源;张昌龙—— 勇于挑战难题[N];解放军报;2009年
2 张红菊;农田:安装“听诊器”[N];科技日报;2004年
3 张向冰 李青滨;我国海洋遥感发展突飞猛进[N];中国海洋报;2003年
4 本报记者 瞿剑;地下煤火:“静悄悄”的灾害怎样应对?[N];科技日报;2009年
5 张彦;“数字省市”颠覆城市区域经济[N];经理日报;2004年
6 本报记者 张巍巍;瞧瞧“机器游侠”特种兵[N];科技日报;2011年
中国博士学位论文全文数据库 前10条
1 周爽;蚁群算法在高光谱图像降维和分类中的应用研究[D];哈尔滨工业大学;2010年
2 许志红;交流接触器智能化控制与设计技术的研究及实现[D];福州大学;2006年
3 薛云;基于蚁群算法和支持向量机的矿化蚀变信息提取研究[D];中南大学;2008年
4 顾中舜;中继卫星动态调度问题建模及优化技术研究[D];国防科学技术大学;2008年
5 刘传文;仿生优化算法在数字图像处理中的应用研究[D];武汉理工大学;2008年
6 陈宝文;蚁群优化算法在车辆路径问题中的应用研究[D];哈尔滨工业大学;2009年
7 唐连生;突发事件下的车辆路径问题研究[D];西南交通大学;2008年
8 何荥;用信息法研究天空亮度分布[D];重庆大学;2008年
9 闫博;基于蚁群算法的集装箱港口选择与网络均衡分析[D];大连海事大学;2008年
10 吕雄伟;邮政物流车辆路径问题研究[D];西南交通大学;2009年
中国硕士学位论文全文数据库 前10条
1 傅宏;基于遗传多蚁群算法的QoS组播路由算法研究[D];重庆大学;2010年
2 潘鹏竹;协同制造调度问题的蚁群算法研究[D];沈阳工业大学;2010年
3 饶跃东;基于改进蚁群算法的无人飞行器航迹规划应用研究[D];武汉理工大学;2010年
4 邵晓路;蚁群群体智能网络可视化试验平台研制[D];浙江理工大学;2010年
5 吕海鹏;改进蚁群算法在YKK系列中型高压电机优化设计中的应用[D];哈尔滨理工大学;2010年
6 刘志勇;基于蚁群算法与竞选算法的作业车间调度求解及比较研究[D];广东工业大学;2011年
7 张守年;改进的蚁群算法及其在QoS中的应用[D];华南理工大学;2010年
8 林时来;基于蚁群算法的呼吸信号情感识别研究[D];西南大学;2011年
9 孙莹;无底柱分段崩落法矿山生产调度系统优化研究[D];西安建筑科技大学;2010年
10 李旭;应用点着色聚类改进蚁群算法[D];四川师范大学;2010年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026