基于数据融合的高光谱遥感图像分类研究

论文摘要

高光谱遥感技术的快速发展,使得获取更高光谱分辨率的地面信息成为可能,为定量遥感的实现创造了有利条件。然而,高光谱数据具有波段数目众多、各波段相关性强、运算量大的特点,这对相应的处理技术提出了很高的要求。高光谱遥感影像分类是高光谱遥感技术的一个重要应用,针对多光谱遥感图像的分类人们已经研究了多种处理方法,技术比较成熟;但是高光谱图像的数据量大,数据维高,使得通常的多光谱图像处理方法对于高光谱图像的应用有较大的限制。为了解决这一问题,本文在深入分析高光谱图像数据特点的基础上,重点研究了基于数据融合的高光谱遥感影像分类技术,研究的主要内容如下:首先,将二进脊波变换应用于高光谱遥感图像的数据融合,并结合二进脊波变换数据分解的特点,提出了相应的融合策略,实现了数据级融合。该算法先对同一波段组内的各个子图像进行有限Randon变换,将线性奇异转化为点奇异;然后通过二进小波变换对点奇异信号进行处理。在融合策略的选取中,充分考虑到小波变换进行数据分解的特点:对于代表图像概貌信息的低频部分采用归一化方差加权融合;对于包含图像细节和纹理特征的高频部分选择像素绝对值最大的部分作为融合后的像素值。在尽可能多地保持原始图像信息的前提下,实现了对AVIRIS图像的像素级融合,并在此基础上进行了地物分类。仿真实验表明,该方案能有效地改善融合效果,并进一步提升分类精度。其次,针对有限脊波变换存在的“环绕效应”所引入的噪声,研究了减小其影响的方案。研究表明:图像分割子块尺寸越大,“环绕效应”的影响就越大;子块尺寸越小,脊波的优势就越明显。但是,分割尺寸越小,重构图像的块状效应越明显,而且分割越小图像所表示的方向也越少,效果也近似于小波变换。因此,在实际选择中应该折衷考虑。再次,为了彻底消除“环绕效应”,研究了基于真实脊函数和快速SlantStack算法的数字脊波变换在高光谱图像融合中的应用。由于没有采用有限Randon变换实现脊波的数字化,它能彻底消除“环绕效应”,融合的效果也能得到进一步改善,但是引入了数据冗余。为进一步提高分类精度与运算速度,本文将其与一种新的神经网络——样条权函数神经网络相结合,实现了特征级融合分类。由于该神经网络所具有的对初值不敏感、收敛速度快和不存在局部极小等优点,该方案能得到较高的分类精度。最后,研究了数字脊波和样条权函数神经网络在高光谱图像决策级融合中的应用,对二次融合进行了尝试。该方案先采用数字脊波实现像素级融合,并利用样条权神经网络实现局部分类;然后结合主体投票规则将各局部分类器输出的结果进行决策融合。仿真实验结果表明,该方案能在较少的训练样本条件下获得较高的分类精度,该决策融合方案要优于基于BP、RBF神经网络实现的决策融合方案。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题研究背景和意义
• 1.2 高光谱分类的研究现状
• 1.3 本文的研究内容和组织结构
• 第2章 高光谱遥感图像的分类理论
• 2.1 高光谱遥感图像数据
• 2.1.1 高光谱数据的描述
• 2.1.2 高光谱数据的特点
• 2.2 高光谱遥感图像分类概述
• 2.2.1 高光谱图像分类的原则
• 2.2.2 高光谱图像分类的流程
• 2.2.3 高光谱图像分类的特点
• 2.3 高光谱遥感图像分类算法
• 2.3.1 贝叶斯判别分类
• 2.3.2 神经网络分类
• 2.4 本章小结
• 第3章 高光谱遥感的数据融合理论
• 3.1 遥感影像数据融合概述
• 3.1.1 遥感影像数据融合的过程
• 3.1.2 遥感影像融合效果评价的统计参数
• 3.2 高光谱遥感数据融合的分类
• 3.2.1 数据级融合
• 3.2.2 特征级融合
• 3.2.3 决策级融合
• 3.3 高光谱遥感数据融合常用算法
• 3.3.1 代数运算融合方法
• 3.3.2 基于空间变换的融合方法
• 3.3.3 基于金字塔式分解和重建的融合方法
• 3.4 本章小结
• 第4章 基于二进脊波变换的高光谱图像融合分类
• 4.1 脊波分析理论概述
• 4.1.1 连续脊波变换
• 4.1.2 数字脊波变换
• 4.2 二进离散脊波变换
• 4.2.1 有限Randon变换
• 4.2.2 二进小波变换及其快速算法
• 4.2.3 图像的二进离散脊波变换
• 4.3 基于二进脊波变换的高光谱图像融合分类
• 4.3.1 基于脊波变换的图像融合算法
• 4.3.2 数据融合及分类实现
• 4.4 试验仿真与结果分析
• 4.4.1 实验图像和仿真系统构建
• 4.4.2 高光谱图像融合分类实验结果与分析
• 4.4.3 考虑“环绕效应”的情况
• 4.5 本章小结
• 第5章 基于脊波和 SWNN的高光谱图像融合分类
• 5.1 基于真实脊函数的数字脊波变换
• 5.1.1 快速 Slant Stack算法
• 5.1.2 Meyer小波
• 5.1.3 数字脊波变换
• 5.2 样条权函数神经网络（SWNN）
• 5.2.1 学习曲线与投影方程
• 5.2.2 第一类权函数的神经网络拓扑结构
• 5.2.3 第一类权函数神经网络的一般情况
• 5.3 基于数字脊波和 SWNN的融合分类设计
• 5.3.1 基于ASD方法的数据源划分
• 5.3.2 特征级融合及分类系统实现
• 5.3.3 决策级融合及分类系统实现
• 5.4 高光谱图像融合及分类仿真实验
• 5.4.1 基于ASD方法的高光谱图像分类实验
• 5.4.2 特征级融合分类的仿真实验
• 5.4.3 决策级融合分类的仿真实验
• 5.5 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的文章和取得的科研成果
• 致谢