收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

高光谱遥感图像高效分类与解混方法研究

李娇娇  
【摘要】:高光谱遥感兴起于20世纪80年代,是一种融合光谱学理论与成像技术的前沿技术。高光谱遥感图像包含几十至几百个窄波段的光谱信息,能够为人类社会提供丰富且精细的观测数据。地物识别与分析作为高光谱遥感图像的研究热点,是高光谱遥感图像处理的重要组成部分,主要可通过地物分类与像元解混两种技术实现。地物分类技术是一种像元级处理技术,通过对观测像元进行类别标定与识别来完成对地物的分析与识别;而像元解混技术是一种亚像元级处理技术,通过对观测像元中所包含的不同纯地物进行分析并计算其含量来完成对地物的识别与分析。虽然,高光谱图像具有光谱分辨率高及图谱合一的特点,可以为地物分类与像元解混处理提供丰富的细节信息,但同时给这两种技术带来了巨大的挑战和难度,主要原因有:(1)高光谱图像容易受到高光谱传感器在空间分辨率上的限制以及光照、大气、云层厚度等自然环境因素的影响,出现“同物异谱”和“异物同谱”的现象,这两种现象不同程度地增加了地物分类与像元解混的难度。(2)高光谱图像光谱维度高,由小样本引起“Hughes”现象的出现,使高光谱图像地物识别性能呈现先增加后下降趋势。(3)高光谱图像的大数据量给高光谱图像处理带来了极大的计算量。针对上述高光谱图像在地物分类与像元解混中存在的问题,本文深入研究了基于人工神经网络的地物分类技术与基于稀疏回归的像元解混技术,提出了高效的地物分类方法和像元解混方法。具体工作概括如下:一、基于优化极限学习机的高光谱图像分类方法研究针对高光谱图像数据量大,导致分类方法计算复杂度高、样本训练时间长等问题,本文开创性的将极限学习机方法应用在高光谱图像分类中,并提出了一种基于优化极限学习机的高效高光谱图像分类方法。该方法研究并发掘出训练样本数目与隐层神经元数目之间存在一种经验的线性关系,且这种线性关系可从小样本数据集延伸至大样本数据集,因此避免了大样本数据集所带来的大计算量。同时本文基于径向基核函数实现了极限学习机的核函数版本,并将上述线性关系拓展至核函数极限学习机方法上。相较于经典且具有较好分类精度的支持向量机方法和核支持向量机方法,本文所提方法在不损失分类精度的基础上,大幅度提高了样本训练速度。二、基于高效径向基神经网络的高光谱图像分类方法研究针对传统基于神经网络高光谱图像分类方法存在手动调节参数多、分类精度不高的问题,本文提出了一种基于高效径向基神经网络的高光谱图像分类方法,研究并设计了无参的径向基神经网络结构。在此基础上,本文利用简单的空间均值滤波器在不增加额外计算复杂度的基础上将空间信息与光谱信息有效结合起来,进一步提高了地物分类精度;并采用矩阵分解引理,将大矩阵分解为小矩阵,则大矩阵的求逆运算可通过小矩阵的逆运算来组合求得,因此减少了运算时间,实现了算法的并行计算架构。相较于基于径向基核函数的支持向量机方法,本文方法不但减少了样本训练时间,而且大幅度提高了分类精度。三、基于光谱加权全变分的稀疏高光谱解混方法研究针对高光谱图像解混研究中现有空间信息表示模型简单,且忽略了实际应用中邻域像元之间真实分布关系的问题,本文提出了一种基于邻域光谱加权的全变分高光谱图像稀疏解混方法,分析并研究了邻域像元空间信息与光谱信息之间的关系,提出一种基于邻域像元光谱加权的空间正则项,利用不同的向量范数,形成四种不同正则化算子,本文基于这四种不同正则化算子形成不同的稀疏解混模型,根据解混模型产生新的解混方法。分析并确定最优正则化算子,将其应用在后续的稀疏解混方法中。与传统经典稀疏解混方法相比,本文所提解混方法性能在不同信噪比情况下提高了2至16dB不等。四、基于区域协同的高光谱像元稀疏解混方法研究针对传统高光谱图像中异质区域之间像元相互干扰及同质区域内部像元之间相互影响的问题。本文基于图像中同质区域包含相同端元集的前提,提出一种基于区域的高光谱图像协同稀疏解混方法。该方法研究了高光谱图像光谱域与空间域的特点,考虑到空谱信息相结合的优势,分析了高光谱图像中分割数目对像元解混性能以及不同分割算法对高光谱像元解混性能的影响,将同质区域内部像元进行协同稀疏解混,从而像元解混性能较传统基于单个像元处理与全部像元处理的方法在性能上提升了4至7dB,为后续将高光谱图像分类方法与解混方法结合以提高地物分析与识别精度奠定了实验理论基础。


知网文化
【相似文献】
中国期刊全文数据库 前13条
1 王斌;;基于高光谱图像技术的水果表面农药残留检测观察[J];种子科技;2017年04期
2 陈绫钢;吕靖芳;;高光谱图像技术在农产品监测中的应用进展[J];北京农业;2016年01期
3 朱贞映;袁建;何荣;;粮油中高光谱图像技术的应用现状[J];粮食与饲料工业;2016年09期
4 徐爽;何建国;马瑜;梁慧琳;刘贵珊;贺晓光;;高光谱图像技术在水果品质检测中的研究进展[J];食品研究与开发;2013年10期
5 叶珍;白璘;;局部保护降维与高斯混合模型的高光谱图像分类[J];工业仪表与自动化装置;2017年04期
6 吴龙国;何建国;贺晓光;刘贵珊;王伟;王松磊;苏伟东;罗阳;思振华;;高光谱图像技术在水果无损检测中的研究进展[J];激光与红外;2013年09期
7 唐中奇;付光远;陈进;张利;;基于低秩结构提取的高光谱图像压缩表示[J];电子与信息学报;2016年05期
8 张良培;李家艺;;高光谱图像稀疏信息处理综述与展望[J];遥感学报;2016年05期
9 李昌利;张琳;樊棠怀;;基于自适应主动学习与联合双边滤波的高光谱图像分类[J];计算机科学;2018年12期
10 王杰超;孙大鹏;张长兴;谢锋;王建宇;;拉普拉斯约束低秩表示的高光谱图像异常检测[J];光谱学与光谱分析;2018年11期
11 彭艳斌;艾解清;;基于谱聚类波段选择的高光谱图像分类[J];光电工程;2012年02期
12 李铁;张新君;;不变矩在高光谱图像空谱分类中的应用研究[J];小型微型计算机系统;2017年07期
13 洪恒;何明一;;一种适于高光谱图像压缩的相关系数矩阵近似计算算法[J];电子设计工程;2013年12期
中国重要会议论文全文数据库 前10条
1 卢云龙;刘志刚;;高光谱图像目标探测现状研究[A];国家安全地球物理丛书(八)——遥感地球物理与国家安全[C];2012年
2 高东生;高连知;;基于独立分量分析的高光谱图像目标盲探测方法研究[A];国家安全地球物理丛书(八)——遥感地球物理与国家安全[C];2012年
3 杨勇;刘木华;邹小莲;苗蓬勃;赵珍珍;;基于高光谱图像技术的猕猴桃硬度品质检测[A];走中国特色农业机械化道路——中国农业机械学会2008年学术年会论文集(下册)[C];2008年
4 马德敏;孙凡;金星;舒嵘;王建宇;;机载高光谱图像质量定量化评价方法的研究[A];成像光谱技术与应用研讨会论文集[C];2004年
5 张兵;王向伟;郑兰芬;童庆禧;;高光谱图像地物分类与识别研究[A];成像光谱技术与应用研讨会论文集[C];2004年
6 唐宏;杨新;方涛;施鹏飞;;基于核方法的光谱角制图模型及其在高光谱图像分割中的应用[A];中国地理信息系统协会第八届年会论文集[C];2004年
7 杨硕;袁鸿翼;虞宇宏;赵敏;;高光谱图像亚像素目标仿真及检测研究[A];第四届高分辨率对地观测学术年会论文集[C];2017年
8 武倩聿;张馨月;张旭东;;基于约束能量最小化的高光谱图像目标检测算法研究[A];第十二届全国信号和智能信息处理与应用学术会议论文集[C];2018年
9 高连如;张兵;孙旭;李山山;张文娟;;高光谱数据降维与分类技术研究[A];第八届成像光谱技术与应用研讨会暨交叉学科论坛文集[C];2010年
10 张悦;官云兰;;基于聚类的高光谱图像非监督波段选择方法[A];《江西遥感》2017年第2期(总第3期)[C];2017年
中国博士学位论文全文数据库 前10条
1 李畅;高光谱遥感影像处理中的若干关键技术研究[D];华中科技大学;2018年
2 张星;组合空间和光谱特性的高光谱图像异常检测与目标识别方法研究[D];国防科学技术大学;2016年
3 刘务;基于空谱特征挖掘的高光谱图像分类方法研究[D];哈尔滨工程大学;2018年
4 任越美;高光谱图像特征提取与分类方法研究[D];西北工业大学;2017年
5 李威;基于机器学习的森林多源遥感数据分析方法研究[D];哈尔滨工程大学;2018年
6 王庆岩;面向植被遥感监测的高光谱图像分类技术研究[D];哈尔滨工业大学;2018年
7 吴钊君;基于权重核范数的高光谱图像去噪与解混方法研究[D];哈尔滨工业大学;2018年
8 李娇娇;高光谱遥感图像高效分类与解混方法研究[D];西安电子科技大学;2016年
9 卢燕;高光谱矿物填图技术在金属矿产和油气勘查中的应用研究[D];中国地质大学(北京);2018年
10 秦凯;机载成像高光谱遥感及应用关键技术研究[D];中国地质大学(北京);2018年
中国硕士学位论文全文数据库 前10条
1 张会敏;基于核方法与字典学习的高光谱图像分类算法研究[D];南京师范大学;2018年
2 房盟盟;特定温度下滩羊肉贮藏期的高光谱—动力学预测方程构建[D];宁夏大学;2018年
3 徐凯;基于主动学习的高光谱图像分类研究[D];哈尔滨工程大学;2018年
4 吴飞;基于等距特征映射的高光谱图像可视化研究[D];哈尔滨工程大学;2018年
5 马赫男;结合聚类算法的高光谱图像半监督分类研究[D];哈尔滨工程大学;2018年
6 王雪婷;高光谱图像的降维及分类算法研究[D];哈尔滨工程大学;2018年
7 邓伟伟;基于逐行处理的高光谱异常检测快速算法研究[D];哈尔滨工程大学;2018年
8 周沛林;基于深度学习的高光谱图像分类问题研究[D];浙江大学;2018年
9 黄志彬;面向高光谱图像异常检测的GPU加速器设计[D];哈尔滨工业大学;2018年
10 林伟俊;高光谱图像实时目标和异常检测算法研究[D];杭州电子科技大学;2018年
中国重要报纸全文数据库 前1条
1 本报记者 付毅飞;“珠海一号”,为何能拍出太空大片[N];科技日报;2017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
  • 010-62982499
  • 010-62783978