| 【中文题名】 | 高光谱遥感图像特征提取及分类研究 |
| 【英文题名】 | |
| 【学科专业】 | 模式识别与智能系统 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-8 |
| 【中关键词】 | 特征提取,K—L变换,支撑向量机,遥感图像分类,, |
| 【英关键词】 | Feature Abstraction,K_L transform,Support Vector Machines,Remote Sensing Image Classification, |
| 【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>图像处理设备> |
| 【论文摘要】 |
高光谱遥感作为一种新型的遥感方式在近20年的发展中已经在军用和民用的多个领域发挥着重要的作用。与多光谱遥感相比,高光谱遥感数据具有波段数目多、光谱分辨率高、波段宽度窄、数据量庞大等特点。这对于利用遥感图像进行目标分类、识别与跟踪等都具有重要的研究价值和应用意义。然而其巨大的数据量和较高的数据维给高光谱图像分类处理带来较大的困难。
本文分析了高光谱数据的特点。验证了高光谱遥感图像的各波段之间有较强的谱间相关性。并分析其对传统分类技术带来的挑战。
在利用常用分类方法对高光谱遥感图像分类之前,应进行特征选择和提取。最常用的方法是主成分分析,也叫K-L变换。K-L变换的能够把原来多个波段中的有用信息尽量集中到数目尽可能少的新的组分图像中,对图像信息进行归并处理,使图像数据量得到有效的压缩,而且还能够使新的组分图像中的各组分之间互不相关。此方法先由所有波段数据求得影像间的相关系数矩阵,由相关系数矩阵计算特征值和特征向量,再求得各主成分影像。实验数据显示前三个主成分所包含的有效信息含量已达到95%以上。利用这三个主成分做分类处理,既减少了计算量,又提高了分类精度。
高光谱遥感图像的另一种... |
| 【论文题纲】 |
|
摘要 |
4-5 |
|
ABSTRACT |
5-9 |
|
第一章 绪论 |
9-13 |
|
1.1 高光谱遥感的概述 |
9-11 |
|
1.2 高光谱遥感图像分类的研究现状 |
11 |
|
1.3 本文研究的内容 |
11-13 |
|
第二章 高光谱遥感图像的数据分析 |
13-20 |
|
2.1 引言 |
13-15 |
|
2.2 高光谱遥数据的数值评价 |
15-19 |
|
2.3 本章小结 |
19-20 |
|
第三章 高光谱遥感图像的特征提取及伪彩色图像生成 |
20-30 |
|
3.1 引言 |
20 |
|
3.2 高光谱遥感图像特征提取方法 |
20-21 |
|
3.3 K-L 变换 |
21-23 |
|
3.4 特征提取后的图像数据分析 |
23-27 |
|
3.5 高光谱数据伪彩色合成原理 |
27 |
|
3.6 高光谱数据伪彩色生成结果 |
27-29 |
|
3.7 本章总结 |
29-30 |
|
第四章 高光谱遥感图像的分类技术 |
30-40 |
|
4.1 引言 |
30 |
|
4.2 遥感图像的分类概述 |
30-32 |
|
4.3 常规遥感图像分类方法简介 |
32-35 |
|
4.4 特征提取前后的分类结果 |
35-39 |
|
4.5 本章小结 |
39-40 |
|
第五章 支撑向量机在高光谱遥感图像分类中的应用 |
40-62 |
|
5.1 引言 |
40 |
|
5.2 SVM 概述 |
40-44 |
|
5.3 高光谱图像的SVM 分类算法 |
44-53 |
|
5.4 SVM 的多类分类问题 |
53-56 |
|
5.5 SVM 与传统的统计识别方法的分类对比 |
56-61 |
|
5.6 本章小结 |
61-62 |
|
第六章 总结与展望 |
62-64 |
|
6.1 本文研究总结 |
62-63 |
|
6.2 研究展望 |
63-64 |
|
致谢 |
64-65 |
|
参考文献 |
65-68 |
|
攻硕期间取得的研究成果 |
68-69 |
|
| 【DOI】 | LunWen.ID:2.2008.389471 |
