探讨向量高光谱遥感岩矿特点提取与分类策略

论文导读：讨，选用资料丰富的美国内华达州Cuprite矿区免费的IRIS高光谱遥感岩矿图像作为原始数据，探讨基于核策略（KPCA、KMAF、KMNF）的高光谱图像岩矿特点提取以压缩数据量、提取对后续分类有利的特点；在特点提取后的数据上进行端元提取；探讨针对高光谱遥感图像的分类及信息提取策略，主要是基于波谱特点和支持向量机（SVM）的高光谱图像
摘要：高光谱遥感图像包含了丰富的空间、辐射和光谱三重信息，光谱分辨率在λ/100数量级，在电磁波谱的紫外、可见光、近红外和中红外区域，获取许多非常窄且光谱连续的图像数据。高光谱遥感图像波段众多、信息量大，对地物光谱特性的测度细致、对物质的描述精确，为地物识别带来了一定的优势。但是波段间的信息相关性强、信息冗余多，也带来了一些挑战。高光谱遥感图像分类中一个重要的现象就是维数灾难（Hughes现象）。当用传统的监督分类策略对高光谱图像进行分类时，随着波段数目的增加，需要训练样本的数量急剧增加，获得大量的训练样本在高光谱遥感图像中要花费很多人力物力，有时甚至是很难做到的。高光谱遥感特点提取可以缓解Hughes现象，它一方面可以压缩数据量，并完成去噪的工作；另一方面通过特点提取，使目标的光谱特点更加显著，更有利于后续分类及信息提取工作。主成分浅析（PCA）、最大/最小自相关因子法(MAF)、最小噪声分离变换（MNF）等线性变换法在高光谱遥感特点提取中运用广泛。但是高光谱遥感图像很多时候具有非线性的特点，线性特点提取策略容易照成信息丢失和失真。Scholkopf等于1998年对PCA进行扩展进展了非线性的核主成分浅析（KPCA），此后国内外对KPCA展开了大量的探讨，但是关于核最大/最小自相关因子法(KMAF)、核最小噪声分离变换（KMNF）的探讨少见。高光谱遥感是一个崭新的领域，其数据绝大多数都是收费的。本论文侧重论述与策略的探讨，选用资料丰富的美国内华达州Cuprite矿区免费的IRIS高光谱遥感岩矿图像作为原始数据，探讨基于核策略（KPCA、KMAF、KMNF）的高光谱图像岩矿特点提取以压缩数据量、提取对后续分类有利的特点；在特点提取后的数据上进行端元提取；探讨针对高光谱遥感图像的分类及信息提取策略，主要是基于波谱特点和支持向量机（SVM）的高光谱图像分类。本论文取得的主要探讨成果与革新认识如下：（1）设计及实现了基于核策略（KPCA、KMAF、KMNF）的高光谱图像特点提取策略。在PCA、MAF、MNF算法的基础上，引入核策略，进展KPCA、KMAF、KMNF非线性特点提取算法，并进行高光谱图像特点提取实验，探讨其参数对高光谱图像特点提取的影响，比较PCA、KPCA策略，KPCA、KMAF/KMNF策略进行高光谱图像特点提取的效果。表明KPCA、KMAF、KMNF算法的参数σ对算法的运算时间，没有大的影响；随着样本数目的增加算法的运转时间增加较快，但是在小样本情况下合理设置参数，KPCA、KMAF、KMNF特点提取算法即可以取得较好的效果；PCA、KPCA策略降维速度快，但降维后波段不是严格按图像质量排序； KMAF、KMNF降维效率低于PCA、KPCA，但是严格按图像质量排序，对于波段选择及后续图像分类，信息提取都很有利。（2）设计及实现了基于PCA、KPCA、KMAF/KMNF的PPI端元提取。基于不同的特点提取后的图像，采取PPI这种指导端元提取的策略，并利用N维散度浅析人机交互最终确定端元并进行端元识别，发现：基于PCA特点提取后的图像由于压缩过快，可能丢失某些信息，在利用PPI进行端元提取的历程中会较多的依赖操作者的技艺，并且可能丢失部分端元；基于KPCA、KMAF/KMNF的端元提取考虑了图像的非线性特点，可以较多的提取端元； KMAF/KMNF变换后的图像严格按照图像质量排序，操作历程相对简单，且端元提取的效果较好。（3）实现了基于波谱特点的高光谱图像分类。利用编码匹配、光谱角填图（SAM）、波谱特点拟合（F）、匹配滤波（MF）、混合调制匹配滤波（MTMF）策略进行了高光谱图像分类实验及精度评价。表明编码匹配只适用于粗略的分类和识别；匹配滤波是一种快速的分类策略，会产生较多的虚假信号；F是一种基于吸收特点的分类策略，对于吸收特点比较显著的矿物识别率较高；SAM夹角值与光谱向量的模无关，也就是与图像的增益系数无关，只比较光谱在形状上的相似性；MTMF是MF和线性混合论述的组合，减少了MF虚假信号出现的概率，具有较高的分类精度。（4）对支持向量机（SVM）算法进行了改善，并将其运用到高光谱图像分类及信息提取中。深入探讨支持向量机的论述基础及其分类的基本原理。采取一对一策略将两类支持向量机不足推广到多类不足进行高光谱论文导读：5KPCA、KMAF、KMNF算法比较44-453.6基于核策略的高光谱图像特点提取实验45-593.6.1KPCA的参数对高光谱遥感图像特点提取的影响45-503.6.2PCA，KPCA高光谱遥感图像特点提取比较50-523.6.3KMAF/KMNF的参数对高光谱遥感图像特点提取的影响52-573.6.4KPCA，KMAF/KMNF高光谱遥感图像特点提取比较57-593.7本章小结59-60第
图像分类，并利用收缩和缓存技术来提升其效率。进行了基于SVM的高光谱图像分类实验，浅析了数据维数、核函数及样本个数对分类的影响。发现SVM分类策略受数据的维度影响较小，具有一定的抗噪声能力；不同核函数对SVM分类结果影响不大；利用SVM进行分类时，合理设置有关参数，在小样本情况下也可取得较高精度，显示了利用SVM进行高光谱图像分类的优越性。（5）初步形成了一套科学实用的利用高光谱遥感图像提取岩矿弱信息的策略与技术流程。即首先对高光谱遥感岩矿图像进行辐射较正得到反射率数据；然后用核策略进行特点提取，达到降维与突出光谱特点的目的；基于降维后的数据提取端元并进行识别；最后基于波谱特点及SVM进行图像分类及信息提取。关键词：高光谱遥感论文特点提取论文核策略论文端元论文支持向量机论文分类论文
本论文由www.7ctime.com,需要论文可以联系人员哦。摘要4-6
Abstract6-12
第一章 绪论12-19

1.1 探讨目的及作用12-13

1.2 国内外探讨近况13-16

1.2.1 高光谱遥感特点提取策略探讨近况13-15

1.2.2 高光谱遥感分类策略探讨近况15-16

1.3 探讨内容16

1.4 技术路线及关键技术16-17

1.5 取得的主要成果与革新点17-19

第二章 探讨区概况及辐射校正19-33

2.1 探讨区数据19-20

2.2 探讨区概况20-23

2.3 探讨区典型矿物波谱浅析23-24

2.4 探讨区数据辐射校正24-32

2.4.1 辐射校正概述24-25

2.4.2 大气校正策略25-26

2.4.3 基于 FLAASH 的 IRIS 高光谱影像大气校正26-30

2.4.4 FLAASH 大气校正结果浅析30-32

2.5 本章小结32-33

第三章 基于核策略的高光谱图像特点提取33-60

3.1 核函数策略33-36

3.

1.1 核函数策略介绍33-34

3.

1.2 核函数性质34-35

3.

1.3 核策略的特点35-36

3.2 基于核主成分浅析(KPCA)的高光谱图像特点提取策略36-39
3.

2.1 原始方式 PCA37

3.

2.2 对偶方式 PCA37-38

3.

2.3 核 PCA38-39

3.3 基于核最大/最小自相关因子（KMAF）的高光谱图像特点提取策略39-42

3.1 原始方式 MAF39-40

3.2 对偶方式 MAF 及核矩阵构造40-41

3.3 规则化和核 MAF41

3.4 执行技艺41

3.5 投影到特点向量41-42

3.4 基于核最小噪声分离变换(KMNF) 的高光谱图像特点提取策略42-44

3.4.1 原始方式 MNF42-43

3.4.2 对偶方式 MNF 及核矩阵构造43

3.4.3 噪声白化和核 MNF43-44

3.4.4 执行技艺44

3.4.5 投影到特点向量44

3.5 KPCA、KMAF、KMNF 算法比较44-45

3.6 基于核策略的高光谱图像特点提取实验45-59

3.6.1 KPCA 的参数对高光谱遥感图像特点提取的影响45-50

3.6.2 PCA，KPCA 高光谱遥感图像特点提取比较50-52

3.6.3 KMAF/KMNF 的参数对高光谱遥感图像特点提取的影响52-57

3.6.4 KPCA，KMAF/KMNF 高光谱遥感图像特点提取比较57-59

3.7 本章小结59-60

第四章 高光谱图像端元波谱提取与浅析60-83

4.1 高光谱图像端元提取算法60-63

4.

1.1 散点图端元选择法60-61

4.

1.2 纯像元指数（Pure pixel index，PPI）61-62

4.

1.3 N-Findr62

4.1.4 迭代误差浅析法（Iterative ErrorAnalysis，IEA）62-63
4.

1.5 手工选取策略63

4.2 高光谱图像端元提取实验63-75
4.

2.1 基于 2 维散点图的高光谱图像端元提取实验63-66

4.

2.2 高光谱图像 PPI 端元提取实验66-75

4.

2.1 基于 PCA 的 PPI 端元提取66-71

4.

2.2 基于 KPCA 的 PPI 端元提取71-73

4.

2.3 基于 KMAF/KMNF 的 PP论文导读：

I 端元提取73-75

4.3 端元波谱识别及端元提取策略比较75-82

4.

3.1 PCA 提取的端元识别76-80

4.

3.2 KPCA 提取的端元识别80-81

4.

3.3 KMAF/KMNF 提取的端元识别81-82

4.4 本章小结82-83
第五章 基于波谱特点的高光谱图像分类与信息提取83-95

5.1 波谱匹配算法探讨83-86

5.

1.1 二值编码匹配83-84

5.

1.2 光谱角填图（SpectralAngle Mapper，SAM）84

5.1.3 波谱特点拟合(Spectral Feature Fitting，F)84-85
5.

1.4 匹配滤波（Matched Filtering，MF）85

5.1.5 混合调制匹配滤波（Mixture-Tuned Matched Filtering，MTMF）85-86

5.2 基于波谱特点的高光谱图像分类实验86-91

5.3 精度评价91-94

5.4 本章小结94-95

第六章 基于支持向量机的高光谱图像分类及信息提取95-116

6.1 支持向量机的论述基础95-98

6.

1.1 机器学习不足的表示95

6.

1.2 经验风险最小化95-96

6.

1.3 复杂性与推广能力96

6.

1.4 VC 维96-97

6.

1.5 推广性的界97

6.

1.6 结构风险最小化97-98

6.2 支持向量机分类基本原理98-106
6.

2.1 最优分类超平面99-101

6.

2.2 支持向量机101-102

6.

2.3 支持向量机用于高光谱图像分类102-106

6.

2.3.1 多类支持向量机102-104

6.

2.3.2 支持向量机高光谱图像分类优化对策104-106

6.3 支持向量机高光谱图像分类实验106-114
6.

3.1 数据维数的影响106-109

6.

3.2 核函数影响109-111

6.

3.3 样本个数影响111-114

6.4 基于波谱特点的高光谱图像分类与基于支持向量机的高光谱图像分类比较114-115

6.5 本章小结115-116

结论与讨论116-119
1 主要探讨成果与革新认识116-117
2 有着不足与展望117-119
致谢119-120
参考文献120-125
攻读学位期间取得学术成果125-126
1 参与的主要科研项目125
2 公开发表的论文125-126
附件126-127