基于多特征融合的高光谱影像地物精细分析方法研究

基于多特征融合的高光谱影像地物精细分析方法研究

论文摘要

随着遥感技术的发展和广泛应用,人们认识事物的能力通过光谱和影像得到了有效的延伸。高光谱遥感技术的问世,将由地物的物理、化学性质决定的地物光谱信息与反映地物空间格局的影像空间信息巧妙地结合在一起。通过高光谱影像数据的影像模式和光谱模式统一,实现了人们认识论中形象思维和逻辑思维的巧妙融合,使得人们对客观世界的认知能力有了极大的提高。高光谱影像每一个像元中精细且连续的光谱曲线包含着丰富的地物信息,尽管许多经典的遥感数据处理方法仍然被应用于高光谱影像处理与分析中,然而,由于高光谱影像海量数据的特点和实现精细分析的目的,使得这些方法往往难以满足高光谱影像解译的要求。因此,这就需要创新和发展一些有别于传统影像处理的方法,实现高光谱影像地物的精细分析。近十多年来,针对在高光谱影像解译中存在的问题,国内外专家学者进行了许多卓有成效的科学研究工作,从研究和应用的主要目标来看,大体可以分为两块内容,即地物的精细分类和小目标地物的识别。不同地物各异的光谱曲线是不同地物特征的直接体现。高光谱影像中反映的精细的光谱差异使得地物的精细分类和小目标识别成为可能。纵观高光谱影像的分类方法,按照技术途径的不同,大致可以归纳为两类:光谱匹配技术和多维光谱特征分类技术。光谱匹配技术是高光谱影像精细分类中较成熟的一类,通过比较像元光谱和标准地物光谱的相似性程度对影像进行分类。多维光谱特征分类技术是基于数据的统计特征,根据模式识别的方法进行基于统计特征的分类。对于高光谱影像的小目标识别而言,小目标识别算法用来探测高光谱影像中特定微弱信号的存在性或分布问题,由于高光谱影像的维数众多,可以较好的反映地物的细微差别,因而高光谱影像的小目标识别的结果有着广泛的现实意义和应用价值。针对高光谱影像地物精细分析中的这两个内容,本文分别从一种综合利用多种光谱相似性测度的高光谱影像自适应分类方法、结合空间-光谱特征的高光谱影像分类方法和一种新型的高光谱影像目标识别算法三个角度,实现高光谱影像地物的精细分析。首先,介绍了光谱相似性测度在光谱匹配分类中的地位和作用,研究了现有利用光谱相似性测度进行光谱匹配分类方法的不足,提出了一种综合利用多种光谱相似性测度的高光谱影像自适应分类方法。实验表明这一方法有较好的精细分类精度,适应性更强,通过利用多种光谱相似性测度综合分析进行高光谱影像精细分类,相比于只考虑某一种光谱特征的匹配分类方法具有更好的精细分类精度和更小的光谱识别不确定性。然后,通过分析常用多维光谱特征分类技术中,对空间信息利用不足的问题,深入思考像斑对象的表达在影像解译中的作用和意义,设计了结合空间-光谱特征的高光谱影像分类方法。通过eCongnition对影像进行多尺度分割,经过分类器对分割后的像斑进行初始分类,利用类别共生矩阵对初始的分类结果进行优化,输出最终分类结果。实验显示,通过结合空间信息,可以进一步提高分类精度,同时可以有效消除噪声或混合像元产生的“麻点”,具有极强的鲁棒性。最后,针对高光谱影像中的小目标问题,提出了一种基于独立成分分析正交子空间投影加权的高光谱影像小目标识别方法(ICA-OSP).通过独立成分分析实现在影像中提取目标特征和背景特征;利用加权的正交子空间投影实现对目标特征和背景特征的分离。结合实验表明,在同样已知影像目标光谱信息、未知背景光谱信息的前提下,ICA-OSP方法能较好地提高探测概率,降低虚警概率;与其他传统目标探测方法相比,也具有一定优势。

论文目录

  • 摘要
  • Abstract
  • 目录
  • 第一章 概述
  • 1.1 研究背景和意义
  • 1.2 国内外研究现状
  • 1.2.1 高光谱遥感影像分类研究现状
  • 1.2.2 高光谱遥感影像小目标识别研究现状
  • 1.3 本文的主要研究内容
  • 1.3.1 一种综合利用多种光谱相似性测度的自适应分类方法
  • 1.3.2 结合空间-光谱特征的高光谱影像分类方法
  • 1.3.3 一种面向端元集分析的高光谱影像小目标识别方法
  • 第二章 高光谱影像地物精细分析中的几个问题
  • 2.1 高光谱影像特点和地物精细分析简介
  • 2.1.1 高光谱影像特点和地物精细分析的研究内容
  • 2.1.2 高光谱影像地物精细分析中的难题
  • 2.2 高光谱影像精细分类
  • 2.2.1 高光谱影像分类方法概述
  • 2.2.2 高光谱影像精细分类中的几个问题
  • 2.3 高光谱影像小目标识别
  • 2.3.1 高光谱影像中目标存在的几种形式
  • 2.3.2 高光谱影像小目标识别与分类的差异和关系
  • 2.3.3 高光谱影像目标识别与传统目标识别比较
  • 2.3.4 高光谱影像小目标识别的算法流程和设计理论
  • 2.3.5 高光谱影像小目标识别中的几个问题
  • 2.4 本文研究方法的技术流程图
  • 2.5 本章小结
  • 第三章 一种综合利用多种光谱相似性测度的自适应分类方法
  • 3.1 光谱相似性测度分析
  • 3.2 SVM分类器
  • 3.2.1 线性可分支持向量机
  • 3.2.2 非线性可分支持向量机和核函数
  • 3.2.3 支持向量机的不同分类类型
  • 3.3 基于光谱特征匹配的分类方法
  • 3.3.1 基于全波段的光谱特征自适应分类
  • 3.3.2 基于高光谱影像波段子空间的光谱特征自适应分类
  • 3.4 实验与分析
  • 3.5 本章小结
  • 第四章 结合空间-光谱特征的高光谱影像分类
  • 4.1 基于像斑的高光谱影像分类方法
  • 4.1.1 像斑的概念
  • 4.1.2 基于像斑的高光谱影像分类方法的理论依据
  • 4.1.3 基于像斑的高光谱影像分类方法处理流程
  • 4.2 高光谱影像分割
  • 4.2.1 影像分割的常规方法
  • 4.2.2 基于eCongnition的高光谱影像分割原理
  • 4.2.3 高光谱影像分割实验
  • 4.3 结合空间-光谱特征的分类策略
  • 4.3.1 算法流程
  • 4.3.2 类别共生矩阵
  • 4.4 实验与分析
  • 4.5 本章小结
  • 第五章 利用ICA正交子空间投影加权的高光谱影像小目标识别算法
  • 5.1 现有的小目标识别算法应用现状分析
  • 5.1.1 利用原始光谱特征的方法
  • 5.1.2 基于概率统计模型的小目标识别
  • 5.1.3 基于线性混合光谱模型的子空间投影方法
  • 5.2 高光谱影像降维策略
  • 5.2.1 高光谱影像数据降维的常用方法
  • 5.2.2 高光谱影像数据降维方法选择策略
  • 5.3 高光谱影像小目标识别中的特征提取
  • 5.3.1 ICA的提出和发展现状
  • 5.3.2 基于FastICA的高光谱影像特征提取
  • 5.4 正交子空间投影算法在小目标识别中的应用
  • 5.4.1 目标与背景
  • 5.4.2 正交子空间投影算法的优越性及其局限性
  • 5.4.3 基于USGS光谱库的仿真实验与分析
  • 5.5 利用ICA正交子空间投影加权的小目标识别算法
  • 5.6 实验与分析
  • 5.6.1 AVIRIS影像实验
  • 5.6.2 HyMap影像实验
  • 5.7 本章小结
  • 第六章 总结与展望
  • 6.1 本文的主要工作和创新点
  • 6.2 下一步研究工作和展望
  • 参考文献
  • 攻读博士学位期间科研情况和发表论文
  • 参与的主要科研项目
  • 攻读博士期间发表论文
  • 攻读博士学位期间主要获奖情况
  • 致谢
  • 相关论文文献

    标签:;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  

    基于多特征融合的高光谱影像地物精细分析方法研究
    下载Doc文档

    猜你喜欢