基于高光谱数据的分类技术研究

论文摘要

在近20年的发展中,高光谱遥感作为一种新型的遥感方式已经在军用和民用的多个领域发挥着重要的作用,然而如何从其产生的大量数据中快速而准确地挖掘出所需要的信息,目前仍是一个需要解决的难点问题。本文针对高光谱图像数据的特性,研究了如何从高光谱数据中提取出地物的丰富信息并进行有效分类的实验研究。论文以高光谱影像的分类识别为目标,介绍了基于高光谱数据的端元提取方法和混合像元分解模型,提出了在传统分类技术上结合像元空间特性的分类方法,最后通过实验比较了传统的高光谱分类技术和结合像元空间特性的分类技术。归纳起来,本论文主要在以下几方面开展了研究工作:1、介绍了纯像元指数法、凸锥分析方法以及基于RMS误差分析的端元提取算法,同时利用已有的高光谱数据对纯像元指数法和凸锥分析方法进行了实验比较分析。2、详细分析当前混合像元分解模型的理论方法,即线性光谱混合模型、非线性光谱混合模型以及模糊分析模型。3、在端元数据进行了一定解混情况下,较深入地探讨了常用的高光谱数据分类方法,即最大似然分类法、人工神经元网络分类技术以及光谱角度制图法。4、在前人研究的基础上,提出了结合像元空间特性的高光谱分类方法并且对该方法和传统的高光谱分类方法进行了实验比较分析,通过对比分析发现充分利用像元的空间特性是提高影像分类精度的有效方法。

论文目录

• 摘要
• ABSTRACT
• 第一章 前言
• 1.1 高光谱遥感技术及研究意义
• 1.2 研究现状及发展趋势
• 1.3 研究内容及论文结构
• 1.4 数据源说明
• 1.5 软件介绍
• 第二章 基于高光谱数据的端元提取
• 2.1 端元提取研究的发展现状
• 2.2 端元提取的技术方法
• 2.2.1 纯像元指数法（PPI）
• 2.2.2 凸锥分析方法（CCA）
• 2.2.3 基于RMS 误差分析的端元提取算法
• 2.3 实例分析
• 2.4 总结
• 第三章 混合像元分解
• 3.1 混合像元分解的发展现状
• 3.2 混合像元分解的技术方法
• 3.2.1 线性光谱混合模型（LSMM）
• 3.2.2 非线性光谱混合模型
• 3.2.3 模糊分析模型
• 3.3 总结
• 第四章 基于高光谱数据的分类
• 4.1 分类的发展现状
• 4.1.1 监督分类与非监督分类
• 4.1.2 参数分类与非参数分类
• 4.1.3 确定性分类与非确定性分类
• 4.1.4 其他分类方法
• 4.2 传统的高光谱数据分类方法
• 4.2.1 最大似然分类法
• 4.2.2 人工神经元网络分类
• 4.2.3 光谱角度制图法（SAM）
• 4.3 结合地物空间特性的高光谱数据分类
• 4.3.1 算法背景
• 4.3.2 结合地物空间特性的高光谱数据分类
• 4.4 实验验证及精度评价
• 4.4.1 实验验证
• 4.4.2 精度评价
• 4.5 总结
• 第五章 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 攻读研究生期间参加的科研及发表论文情况
• 致谢