非负矩阵分解在遥感图像识别中的应用

论文摘要

遥感信息已经成为我们理解自然与人文生态系统的空间分布的重要参数。随着遥感技术的不断发展、遥感数据分辨率不断提高,遥感信息提取数字影像处理算法也得到不断改进;同时我们从遥感影像数据中定量提取生物物理参数和土地利用率（地面覆盖信息）的能力也得到了增强。因此对遥感图像的识别也变得尤为重要。传统遥感图像识别方法--如非参数化方法等,在识别和计算过程中不需要根据任何经验模型对计算进行干预。但是非参数化方法的一个主要问题是:即使用户掌握了数据的部分特征,或对观测对象有一定先验知识,也无法对处理过程进行干预,从而无法得到预期效果,处理效率也不高。非参数化处理的另外一个缺点是计算过程中通常会涉及SVD（奇异值分解）,且数据量大,运行速度慢。NMF（非负矩阵分解）方法从某种程度上克服了以上缺点,并提供了一种新的矩阵分解思路,NMF方法中得到的因子矩阵的非负性使得其具有可解释性和明确的物理意义,并具有占用存储空间少等优点。它通过数据矩阵的非负分解,产生基矩阵和编码矩阵,对大型数据矩阵进行降维,从而大大压缩数据存贮量,加快数据处理速度,并能够体现数据内部结构和特征。论文将运用非负矩阵论知识及Matlab编程逐步解决或改进现有模式识别中的遥感图像处理结果。并将结合非负矩阵本身的特性,通过分析W和H的组合结构,及遥感图像的特征,来考察因子矩阵和原矩阵之间的关系,从而挖掘因子矩阵与原图像之间的联系,改进现有NMF算法进一步来处理模式分类中的问题。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题背景及研究意义
• 1.2 国内外研究现状
• 1.2.1 遥感图像识别的研究进展
• 1.2.2 非负矩阵分解的研究进展
• 1.3 论文结构
• 第二章 模式识别及遥感专题信息提取
• 2.1 模式识别的基本概念及发展
• 2.1.1 模式识别的基本概念
• 2.1.2 模式识别的发展
• 2.2 林业遥感中的模式识别
• 2.3 遥感专题信息提取
• 2.3.1 监督分类
• 2.3.1.1 训练区选择
• 2.3.1.2 特征提取和选择
• 2.3.2 非监督分类
• 2.3.2.1 ISODATA
• 2.3.2.2 集群法
• 第三章 非负矩阵分解
• 3.1 非负矩阵分解的基本概念及原理
• 3.2 非负矩阵分解的算法
• 第四章 遥感图像识别中的非负矩阵分解
• 4.1 引言
• 4.2 遥感图像识别基本概念与方法
• 4.2.1 遥感图像基本概念
• 4.2.2 遥感图像识别基本方法
• 4.2.3 两种方法的对比分析
• 4.2.4 遥感图像数据的压缩
• 4.3 遥感图像识别中的非负矩阵分解应用
• 4.3.1 实验数据
• 4.3.2 实验数据预处理
• 4.3.3 实验结果及分析
• 第五章 结论与展望
• 5.1 主要结论
• 5.2 有待解决的问题
• 5.3 后续研究工作的展望
• 参考文献
• 附录
• 导师简介
• 个人简介
• 致谢