| 【中文题名】 | 高光谱图像特征及分类研究 |
| 【英文题名】 | Study on Features and Classifications of Hyperspectral Image |
| 【学科专业】 | 信息与通信工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-10-18 |
| 【中关键词】 | 高光谱分类,特征选择,特征提取,SAM,高斯似然分类,类对决策树 |
| 【英关键词】 | Hyperspectral classification,feature selection,feature extraction,SAM,Gaussian maximum likelihood classification,PDT, |
| 【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】 |
本文以高光谱图像数据的特征和分类算法研究为背景,对于光谱曲线形状特征、高光谱分类实现以及应用中的若干关键问题展开研究,主要的研究内容和成果包括:高光谱的高维特性使得曲线形状特征描述的研究成为可能,该研究有着特定的广泛应用前景,例如使用实验室样本学习高光谱卫星数据,这两种数据幅度不一样,但特征曲线形状是相似的。然而现有的曲线形状并不太多,有待进一步研究。SAM光谱角算法是目前广泛使用的算法之一。本文分析了SAM算法的数学性质,针对光谱库内样本间的差异和相似性,提出了一种基于类内相似性的波段选择算法。该算法选择出同类样本的相似波段子集,然后利用这些波段子集计算样本间的光谱角。
高斯似然分类是高光谱分类中应用最广泛的方法之一,然而分类速度和高光谱的高维特点制约了其在高光谱分类中的进一步应用。本文分析了高斯似然分类错误率和Bhattacharyya距离的关系,同时推导出在独立特征条件下Bhattacharyya距离具有相加的性质,在这些基础上提出了一种新的特征选择算法,有效地降低了需要处理的维数,加速了高斯似然分类的速度,并遏制了维数增多分类精度下降的Hughes现象。
由于高光谱的细分能力... |
| 【论文题纲】 |
|
摘要 |
8-9 |
|
ABSTRACT |
9-11 |
|
第1章 绪论 |
11-23 |
|
1.1 课题研究背景 |
11-15 |
|
1.1.1 高光谱的概念及其应用 |
11-13 |
|
1.1.2 国内外相关研究单位 |
13-15 |
|
1.2 课题研究现状 |
15-22 |
|
1.2.1 课题的研究内容 |
15-16 |
|
1.2.2 课题的研究现状 |
16-21 |
|
1.2.3 课题的研究难点 |
21-22 |
|
1.3 论文的组织结构 |
22-23 |
|
第2章 基于光谱角形状特征的研究 |
23-32 |
|
2.1 引言 |
23-24 |
|
2.2 传统的SAM 算法 |
24-27 |
|
2.2.1 SAM 及其分类算法 |
24 |
|
2.2.2 SAM 的数学性质 |
24-27 |
|
2.3 基于光谱角的相似波段选择算法 |
27-28 |
|
2.4 实验结果及比较 |
28-31 |
|
2.4.1 SBS 实验结果 |
29-30 |
|
2.4.2 与现有其他方法的比较 |
30-31 |
|
2.5 本章小结 |
31-32 |
|
第3章 基于高斯最大似然的高光谱分类 |
32-42 |
|
3.1 引言 |
32-33 |
|
3.2 高斯似然分类及其错误率 |
33-35 |
|
3.3 主成分分析简介 |
35-37 |
|
3.4 相对Bhattacharyya 距离和的特征选择 |
37-39 |
|
3.5 基于高斯最大似然的高光谱分类 |
39-41 |
|
3.6 本章小结 |
41-42 |
|
第4章 基于类对决策树的高光谱分类 |
42-53 |
|
4.1 引言 |
42-43 |
|
4.2 类对决策树框架 |
43-47 |
|
4.2.1 类对选择 |
44-45 |
|
4.2.2 节点分裂规则 |
45-46 |
|
4.2.3 类对决策树框架的性质 |
46-47 |
|
4.3 基于类对决策树的高光谱分类 |
47-52 |
|
4.3.1 排除规则和特征选择 |
47-49 |
|
4.3.2 实验与结果 |
49-52 |
|
4.4 本章小结 |
52-53 |
|
第5章 结束语 |
53-56 |
|
5.1 论文的主要研究成果和创新点 |
53-54 |
|
5.2 进一步的研究方向 |
54-56 |
|
附录 A |
56-59 |
|
致谢 |
59-60 |
|
参考文献 |
60-64 |
|
攻读硕士期间已撰写和发表的论文 |
64 |
|
攻读硕士期间参加的科研任务 |
64 |
|
| 【DOI】 | LunWen.ID:2.2008.389494 |
