| 【中文题名】 | 高光谱遥感图像的处理与应用 |
| 【英文题名】 | Hyperspectral Image Processing and Its Application |
| 【学科专业】 | 信号与信息处理 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2006-6-9 |
| 【中关键词】 | 高光谱遥感图像,图像校正,目标检测、识别,主分量分析,独立成分分析,波段扩展 |
| 【英关键词】 | hyperspectral remote sensing image,spectrum revise,geometry revise,object detection,PCA,ICA,expanding of bands,orthogonal subspace projection, |
| 【分类导航】 | 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> |
| 【论文摘要】 | 随着遥感技术的发展,人类将逐步从外层空间观测地球、探索宇宙,从而为我们认识国土、开发资源、研究环境、分析全球变化找到新的途径。遥感数字图像处理技术的出现,从根本上改变了传统遥感图像的处理及识别方式,为遥感技术系统的完善,实现对地物高效、快速识别以及多源信息的数字化融合处理创造了良好的条件。本文结合课题,以高光谱遥感图像为对象重点研究了高光谱图像的前期预处理、单波段图像目标的识别以及多波段图像的目标检测。主要研究工作如下:
(1)阐述了高光谱遥感技术的概念,介绍了高光谱图像的特征模式并分析了高光谱图像数据的组成;总结了遥感图像的预处理方法,通过实验对高光谱图像进行辐射校正和几何校正处理的计算机实验验证,并从实验结果解释了产生畸变的原因。
(2)研究了单波段遥感图像(红外图像)目标识别的步骤和方法,从理论上验证该方法的有效性;
(3)通过对高光谱多波段遥感图像光谱特性的分析,提出了针对具有海量数据的高光谱遥感图像采用主分量分析与独立成分分析相结合的目标检测方法,大大减少了高光谱图像处理的数据量,节省了目标检测的时间;
(4)对于波段数不足的高光谱遥感图像目标识别问题... |
| 【论文题纲】 |
|
摘要 |
3-4 |
|
ABSTRACT |
4-5 |
|
目录 |
5-7 |
|
第一章 绪论 |
7-12 |
|
1.1 遥感技术简介 |
7-8 |
|
1.1.1 遥感概念 |
7 |
|
1.1.2 遥感基本过程 |
7-8 |
|
1.2 高光谱遥感技术概述 |
8-9 |
|
1.2.1 高光谱遥感技术 |
8-9 |
|
1.2.2 高光谱遥感技术构成 |
9 |
|
1.4 国内外研究现状 |
9-11 |
|
1.5 课题的背景与来源 |
11 |
|
1.6 论文内容安排 |
11-12 |
|
第二章 高光谱图像处理技术基础 |
12-15 |
|
2.1 高光谱图像数据的组成 |
12 |
|
2.2 高光谱图像的特征 |
12 |
|
2.3 高光谱图像处理的主要内容 |
12-13 |
|
2.4 高光谱图像像素级处理 |
13-14 |
|
2.4.1 基于纯像元的分析方法 |
13-14 |
|
2.4.2 基于混合像元的分析方法 |
14 |
|
2.5 高光谱图像检测的步骤 |
14-15 |
|
第三章 高光谱图像的校正处理 |
15-29 |
|
3.1 概论 |
15 |
|
3.2 遥感图像处理系统粗校正 |
15-16 |
|
3.2.1 系统的辐射校正 |
15 |
|
3.2.2 系统的几何校正 |
15-16 |
|
3.3 遥感图像精校正 |
16-23 |
|
3.3.1 遥感图像的精几何校正 |
17-21 |
|
3.3.2 遥感图像的精辐射校正 |
21-23 |
|
3.3.3 遥感图像刚性平移与与处理快速精几何校正 |
23 |
|
3.4 光谱辐射校正和几何校正实验分析 |
23-29 |
|
3.4.1 实验设备 |
23-24 |
|
3.4.2 暗场校正实验分析 |
24-25 |
|
3.4.3 几何校正实验分析 |
25-29 |
|
第四章 高光谱图像的目标检测 |
29-59 |
|
4.1 单波段红外图像的目标检测 |
29-40 |
|
4.1.1 红外目标图像的场景模型 |
29 |
|
4.1.2 红外图像识别的预处理 |
29-32 |
|
4.1.3 背景、目标的分离 |
32-34 |
|
4.1.4 目标的特征提取 |
34-38 |
|
4.1.5 基于神经网络的目标识别 |
38-40 |
|
4.2 实验过程及结果 |
40-41 |
|
4.2.1 实验流程图 |
40 |
|
4.2.2 背景与目标分离 |
40-41 |
|
4.2.3 目标的特征提取 |
41 |
|
4.2.4 基于神经网络的分类与识别 |
41 |
|
4.3 基于独立成分分析的高光谱图像检测 |
41-49 |
|
4.3.1 图像数据的缩减 |
42-46 |
|
4.3.2 独立成分分析(ICA: Independent Component Analysis)原理 |
46-48 |
|
4.3.3 算法实现 |
48-49 |
|
4.4 实验结果及分析 |
49-52 |
|
4.4.1 实验步骤 |
49 |
|
4.4.2 实验设备 |
49-50 |
|
4.4.3 实验样本 |
50 |
|
4.4.4 实验数据处理流程图 |
50 |
|
4.4.5 实验结果 |
50-51 |
|
4.4.6 实验结果分析 |
51-52 |
|
4.5 基于投影空间的高光谱图像检测 |
52-55 |
|
4.5.1 波段扩展 |
52-53 |
|
4.5.2 正交向量空间的基本原理 |
53-54 |
|
4.5.3 自动的目标检测与分类算法(ATDCA) |
54-55 |
|
4.6 实验及结果分析 |
55-59 |
|
4.6.1 实验步骤 |
55-56 |
|
4.6.2 实验过程流程图 |
56-57 |
|
4.6.3 实验结果及分析 |
57-59 |
|
第五章 总结与展望 |
59-61 |
|
5.1 总结 |
59 |
|
5.2 展望 |
59-61 |
|
参考文献 |
61-63 |
|
硕士期间发表论文与参与科研情况 |
63-64 |
|
致谢 |
64-65 |
|
西北工业大学学位论文知识产权声明书 |
65 |
|
西北工业大学学位论文原创性声明 |
65 |
|
| 【DOI】 | LunWen.ID:2.2008.389374 |
