發(fā)布時(shí)間：2018-06-27 21:10

  本文選題：高光譜遙感 + 空譜特征��； 參考：《中國科學(xué)院大學(xué)(中國科學(xué)院遙感與數(shù)字地球研究所)》2017年博士論文

【摘要】：高光譜遙感圖譜合一的特性將由物質(zhì)成分決定的光譜信息與反映地物紋理、形狀的空間信息有機(jī)結(jié)合,從而實(shí)現(xiàn)對(duì)地物的精準(zhǔn)分類、識(shí)別以及屬性分析等,極大地提高了人類對(duì)客觀世界的認(rèn)知能力。高光譜遙感技術(shù)已被廣泛應(yīng)用于地質(zhì)制圖、環(huán)境監(jiān)測(cè)、植被調(diào)查、農(nóng)業(yè)遙感、海洋遙感、大氣研究等諸多領(lǐng)域。然而,高光譜遙感數(shù)據(jù)在帶來大量有效信息的同時(shí),也給高光譜影像分類問題帶來了諸多挑戰(zhàn)。高光譜影像分類主要存在以下問題:第一,由于地物的組成及分布情況的復(fù)雜性和成像條件的影響,高光譜影像上依然存在“同物異譜”與“異物同譜”的現(xiàn)象,導(dǎo)致誤分的情況很容易出現(xiàn);第二,高光譜影像上混合像元的普遍存在,進(jìn)一步增大了地物分類的難度;第三,隨著圖像的波段增加,對(duì)監(jiān)督分類中訓(xùn)練樣本的需求也急劇增加,造成小樣本分類時(shí)的病態(tài)問題。近年來發(fā)展起來的空譜特征分類、合成核分類、半監(jiān)督分類算法以及光譜解混技術(shù),對(duì)以上高光譜圖像分類問題提供了可能的解決途徑。本文通過開展空譜特征和豐度信息提取方法,從監(jiān)督分類與半監(jiān)督分類兩個(gè)角度研究聯(lián)合豐度信息和空譜特征的高光譜圖像分類方法。并采用兩組具有不同光譜、空間分辨率和不同地面復(fù)雜度的航空高光譜數(shù)據(jù)進(jìn)行分類實(shí)驗(yàn),驗(yàn)證本文所提算法的有效性。論文的主要研究成果和結(jié)論如下:1)研究了基于形態(tài)學(xué)的空譜特征提取方法,梳理了形態(tài)學(xué)屬性輪廓特征的提取流程。通過對(duì)形態(tài)學(xué)屬性輪廓特征的提取,既充分利用了地物光譜信息,又考慮了影像上地物的空間結(jié)構(gòu)特征,進(jìn)而降低“同物異譜”與“異物同譜”對(duì)分類的影響,大大提高了高光譜圖像分類的精度。2)提出了一種基于類別的端元提取與稀疏解混算法。針對(duì)光譜解混的端元和分類的類別往往不一致,導(dǎo)致由解混得到的端元豐度信息無法有效地應(yīng)用到分類中的問題,該算法首先針對(duì)訓(xùn)練樣本的每一種類別進(jìn)行端元提取,得到分別對(duì)應(yīng)于每種類別的端元,所有類別提取的端元一起組成端元集,利用該端元集進(jìn)行稀疏解混,進(jìn)而得到與類別相對(duì)應(yīng)的豐度信息。實(shí)驗(yàn)結(jié)果表明,該算法為地物分類中普遍存在的混合像元問題提供了一種有效的解決方法,能夠有效提高圖像分類的精度。3)研究了一種基于馬爾科夫隨機(jī)場(chǎng)的空間優(yōu)化算法�？紤]到自然界中地物的分布通常具有一定的空間連續(xù)性,反映在遙感影像中,即相鄰像元是同種地物類型的概率最大。該算法采用一種馬爾科夫隨機(jī)場(chǎng)先驗(yàn)?zāi)Ｐ蛠泶偈灌徑�像元屬于同一類別,通過對(duì)空間鄰域信息的利用達(dá)到空間優(yōu)化的目的。實(shí)驗(yàn)結(jié)果表明,該空間優(yōu)化算法能夠有效的去除椒鹽噪聲,提高分類精度與效果。4)提出了一種結(jié)合豐度信息與空譜特征的合成核分類方法(CKSMLRSSA)。該方法通過在核結(jié)構(gòu)層面上將空譜特征和豐度信息特征進(jìn)行融合,從而更加有效地用于圖像分類。根據(jù)合成核理論,首先將豐度信息組成的核與空譜信息組成的核以合成核的方式進(jìn)行組合,進(jìn)而用這個(gè)合成核替代原來的單核函數(shù)進(jìn)行地物分類。實(shí)驗(yàn)結(jié)果表明,通過合成核的方法能夠有效地集成空間、光譜與豐度等不同的特征空間,獲得與基于特征選擇的堆疊組合分類相當(dāng)?shù)姆诸惥��?而不需要進(jìn)行特征選擇的過程,提高了高光譜圖像分類效率。5)提出了一種結(jié)合豐度信息與空譜特征的半監(jiān)督分類方法(BTSSA-SMLR)。針對(duì)高光譜遙感小樣本分類問題,該算法通過結(jié)合豐度信息與后驗(yàn)概率進(jìn)行主動(dòng)學(xué)習(xí),從類別隸屬度和混合像元的角度選取信息量最豐富的樣本用于半監(jiān)督分類,進(jìn)而提高半監(jiān)督分類的效率。實(shí)驗(yàn)結(jié)果表明,結(jié)合豐度信息和后驗(yàn)概率的主動(dòng)學(xué)習(xí)方法,可以利用少量的標(biāo)記樣本實(shí)現(xiàn)較高的總體分類精度,有效地減輕樣本標(biāo)記工作量,減少分類器樣本訓(xùn)練所需時(shí)間,提高半監(jiān)督分類的效率。
[Abstract]:The characteristic of hyperspectral remote sensing atlas combines the spectral information determined by the material components and the spatial information reflecting the texture and shape of the ground objects, so as to realize the accurate classification, recognition and attribute analysis of the ground objects, which greatly improves the human cognitive ability to the objective world. Hyperspectral remote sensing technology has been widely used in geology. Cartography, environmental monitoring, vegetation survey, agricultural remote sensing, ocean remote sensing, atmospheric research and many other fields. However, hyperspectral remote sensing data bring a lot of effective information, but also bring many challenges to the classification of hyperspectral images. The main problems of hyperspectral image classification are as follows: first, the composition and distribution of ground objects With the influence of complexity and imaging conditions, the phenomenon of "heterophysics" and "ISO spectrum" still exist on hyperspectral images, which lead to the occurrence of misclassification. Second, the general existence of mixed pixels on hyperspectral images further increases the difficulty of the classification of ground objects; third, with the increase of the image band, the training of the supervised classification The demand for training samples has also increased dramatically, causing the morbid problems in the classification of small samples. In recent years, the classification of space spectrum features, synthetic kernel classification, semi supervised classification algorithm and spectral unmixing technology have provided a possible solution to the above hyperspectral image classification problems. This paper extracts the characteristics of space spectrum and the extraction of abundance information. The method is to study the hyperspectral image classification method of joint abundance information and space spectrum features from two angles of supervised classification and semi supervised classification. Two groups of Aeronautical hyperspectral data with different spectral, spatial resolution and different ground complexity are used for classification experiments to verify the effectiveness of the proposed algorithm. The results are as follows: 1) the method of spatial spectral feature extraction based on morphology is studied, and the extraction process of morphological features is combed. By extracting the features of morphological attributes, it takes full advantage of the spectral information of the ground objects and takes into account the spatial structure features of the objects on the image, and then reduces the "heterophysics" and "foreign objects". The effect of the same spectrum on classification greatly improves the accuracy of the classification of hyperspectral images (.2). A classification based end extraction and sparse solution mixing algorithm is proposed. The end element and classification of spectral solutions are often inconsistent, resulting in the uneffective application of the unmixed endpoint abundance information to the classification problem. The end element is extracted for each category of the training sample, and the end element corresponding to each category is obtained. The endelements extracted from all categories are composed of endelements together, and the abundances are mixed with the end set. The results show that the algorithm is a common mixture in the classification of ground objects. The pixel problem provides an effective solution and can effectively improve the accuracy of the image classification. A spatial optimization algorithm based on Markov random field is studied. It is considered that the distribution of the ground objects in the nature usually has a certain spatial continuity, which is reflected in the image of remote sensing, that is, the adjacent pixels are the same types of objects. The algorithm uses a Markov random field prior model to make the adjacent pixels belong to the same category, and achieves the purpose of spatial optimization by using the spatial neighborhood information. The experimental results show that the spatial optimization algorithm can effectively remove salt and pepper noise, improve the classification accuracy and effect.4), and put forward a combination abundance. A synthetic kernel classification method (CKSMLRSSA) for the characteristics of information and space spectrum. This method combines the characteristics of the spatial spectrum and the abundance information at the nuclear structure level, so that it can be used more effectively for image classification. The experimental results show that the method can effectively integrate space, spectrum and abundance, and obtain the classification precision equivalent to the stacked combination classification based on feature selection without the process of feature selection. A semi supervised classification method (BTSSA-SMLR) combining abundance information and space spectrum features is proposed for hyperspectral image classification efficiency (.5). In view of the small sample classification problem of hyperspectral remote sensing, the algorithm is active learning by combining the abundance information and the posterior probability, and selects the most abundant information from the angle of category membership and mixed pixel. The sample is used for semi supervised classification to improve the efficiency of semi supervised classification. The experimental results show that a small number of labeled samples can be used to achieve higher overall classification accuracy with a small number of labeled samples, which can effectively reduce the workload of the sample marking, reduce the time required for the training of the classifier sample and improve the semi supervised classification. The efficiency of classification.
【學(xué)位授予單位】：中國科學(xué)院大學(xué)(中國科學(xué)院遙感與數(shù)字地球研究所)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2017
【分類號(hào)】：P237

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳蜜;易堯華;劉志剛;李德仁;秦前清;;基于分塊特性的高光譜影像波段選取方法的研究[J];測(cè)繪通報(bào);2006年03期

2 范冬娟;張韶華;;高光譜影像反射率反演方法的研究[J];海洋測(cè)繪;2006年03期

3 甘甫平;王潤(rùn)生;;高光譜遙感技術(shù)在地質(zhì)領(lǐng)域中的應(yīng)用[J];國土資源遙感;2007年04期

4 楊燕杰;趙英俊;秦凱;陸冬華;;高光譜影像預(yù)處理技術(shù)[J];科技導(dǎo)報(bào);2013年09期

5 楊可明;張濤;王立博;錢小麗;王林偉;劉士文;;諧波分析法高光譜影像融合及其光譜信息保真度評(píng)價(jià)[J];光譜學(xué)與光譜分析;2013年09期

6 楊哲海,馮猛,張燕燕;高光譜影像處理方法的改進(jìn)[J];海洋測(cè)繪;2004年04期

7 李新雙;張良培;李平湘;吳波;;基于小波分量特征值匹配的高光譜影像分類[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2006年03期

8 原傳綱;張廣有;吳迪;楊哲海;;面向應(yīng)用的高光譜影像分類方法[J];測(cè)繪科學(xué)技術(shù)學(xué)報(bào);2007年02期

9 楊可明;陳云浩;郭達(dá)志;蔣金豹;;基于高光譜影像的小麥條銹病光譜信息探測(cè)與提取(英文)[J];光子學(xué)報(bào);2008年01期

10 蘇俊英;舒寧;;一種基于非線性增益小波濾波的高光譜影像去噪技術(shù)研究[J];遙感技術(shù)與應(yīng)用;2008年04期

相關(guān)會(huì)議論文 前10條

1 舒寧;胡穎;;基于地物光譜特征的高光譜影像邊緣提取方法[A];地理空間信息技術(shù)與應(yīng)用——中國科協(xié)2002年學(xué)術(shù)年會(huì)測(cè)繪論文集[C];2002年

2 舒寧;;多光譜和高光譜影像紋理分析的幾種方法[A];第十五屆全國遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2005年

3 于美嬌;董廣軍;張永生;紀(jì)松;楊靖宇;;一種基于極大后驗(yàn)估計(jì)的高光譜影像分辨率增強(qiáng)方法[A];圖像圖形技術(shù)與應(yīng)用進(jìn)展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2008年

4 董廣軍;紀(jì)松;朱朝杰;;基于局部線性嵌入流形學(xué)習(xí)的高光譜影像分類技術(shù)[A];第六屆全國信息獲取與處理學(xué)術(shù)會(huì)議論文集（3）[C];2008年

5 汪瑋;周可法;王金林;周曙光;劉慧;;環(huán)境減災(zāi)衛(wèi)星高光譜數(shù)據(jù)預(yù)處理[A];第十二屆全國數(shù)學(xué)地質(zhì)與地學(xué)信息學(xué)術(shù)研討會(huì)論文集[C];2013年

6 黃遠(yuǎn)程;張良培;李平湘;;基于最小單形體體積約束的高光譜影像端元光譜提取[A];遙感定量反演算法研討會(huì)摘要集[C];2010年

7 劉慶杰;藺啟忠;王黎明;王欽軍;李慶亭;苗峰顯;;基于CFFT最優(yōu)信噪比的星載高光譜影像噪聲抑制研究[A];第十七屆中國遙感大會(huì)摘要集[C];2010年

8 張杰林;;砂巖型鈾礦床高光譜數(shù)據(jù)挖掘技術(shù)研究[A];第十五屆全國遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2005年

9 董彥芳;龐勇;;高光譜影像與LiDAR數(shù)據(jù)融合提取城市目標(biāo)提取[A];中國地震學(xué)會(huì)空間對(duì)地觀測(cè)專業(yè)委員會(huì)2013年學(xué)術(shù)研討會(huì)論文摘要集[C];2013年

10 李飛;周成虎;陳榮國;;基于光譜曲線形態(tài)的高光譜影像檢索方法研究[A];第二屆中國科學(xué)院博士后學(xué)術(shù)年會(huì)暨高新技術(shù)前沿與發(fā)展學(xué)術(shù)會(huì)議程序冊(cè)[C];2010年

相關(guān)博士學(xué)位論文 前10條

1 劉軻;冬小麥葉面積指數(shù)高光譜遙感反演方法研究[D];中國農(nóng)業(yè)科學(xué)院;2015年

2 馬曉瑞;基于深度學(xué)習(xí)的高光譜影像分類方法研究[D];大連理工大學(xué);2017年

3 孫艷麗;聯(lián)合豐度信息與空譜特征的高光譜影像分類研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院遙感與數(shù)字地球研究所);2017年

4 楊國鵬;基于機(jī)器學(xué)習(xí)方法的高光譜影像分類研究[D];解放軍信息工程大學(xué);2010年

5 路威;面向目標(biāo)探測(cè)的高光譜影像特征提取與分類技術(shù)研究[D];中國人民解放軍信息工程大學(xué);2005年

6 楊哲海;高光譜影像分類若干關(guān)鍵技術(shù)的研究[D];解放軍信息工程大學(xué);2006年

7 王凱;基于多特征融合的高光譜影像地物精細(xì)分析方法研究[D];武漢大學(xué);2013年

8 杜輝強(qiáng);高光譜遙感影像濾波和邊緣提取方法研究[D];武漢大學(xué);2004年

9 韋瑋;基于多角度高光譜CHRIS數(shù)據(jù)的濕地信息提取技術(shù)研究[D];中國林業(yè)科學(xué)研究院;2011年

10 龔鑓;基于HDA和MRF的高光譜影像同質(zhì)區(qū)分析[D];武漢大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 司海青;含水量對(duì)土壤有機(jī)質(zhì)含量高光譜估算的影響研究[D];中國農(nóng)業(yè)科學(xué)院;2015年

2 汪重午;基于高光譜線性混合模型的地質(zhì)勘查研究[D];成都理工大學(xué);2015年

3 魏祥坡;高光譜影像土質(zhì)要素和人工地物分類技術(shù)研究[D];解放軍信息工程大學(xué);2015年

4 康苒;松嫩平原典型土壤有機(jī)質(zhì)高光譜預(yù)測(cè)模型研究[D];東北農(nóng)業(yè)大學(xué);2016年

5 張穎;基于主動(dòng)學(xué)習(xí)的高光譜影像分類[D];成都理工大學(xué);2016年

6 張風(fēng);基于子空間學(xué)習(xí)的高光譜影像地物分類[D];西安電子科技大學(xué);2015年

7 劉瑞香;基于多尺度局部二值模式的高光譜圖像分類算法研究[D];西安石油大學(xué);2016年

8 劉怡君;基于機(jī)載LiDAR和高光譜遙感影像融合實(shí)現(xiàn)普洱山區(qū)樹種分類[D];中國林業(yè)科學(xué)研究院;2016年

9 董連鳳;高光譜影像預(yù)處理技術(shù)研究[D];長(zhǎng)安大學(xué);2007年

10 祝鵬飛;面向?qū)ο蟮母吖庾V影像地物分類技術(shù)研究[D];解放軍信息工程大學(xué);2011年

，

本文編號(hào)：2075290