高光谱图像解混与SVM分类参数优化的研究

摘要

近几十年来，随着人类在电子技术、光学技术和空间技术领域的飞速发展，遥感技术也取得了很快进展。高光谱遥感技术被广泛应用于灾害评估、军事勘察、矿物分析等领域。高光谱图像解混与监督分类是高光谱图像处理中重要组成部分。国内外学者在图像解混与基于支持向量机(Support Vector Machine，SVM)的图像分类方面的研究上已取得一定进展。但传统的解混算法复杂度高效率低，且基于SVM的分类准确率对参数选择高度依赖，导致最终的分类结果不是很理想。因此迫切需要一种能够同时保证实时性与分类准确率的一套高光谱图像预处理算法。 本文从图像解混、SVM分类参数优化两方面进行研究。针对图像解混算法实时性低的问题，提出了一种全新的快速线性解混算法;针对分类参数优化时采用改进粒子群算法收敛速度慢的问题，提出了基于改进免疫算法的粒子群算法。主要研究内容如下: 首先，设计一种采用施密特正交化进行端元选择与图像解混的全新快速线性解混算法(Fast Linear Demixing，FLD)对经过小波PCA变换去噪降维后的图像进行端元选择与解混。端元选择算法与图像解混算法均基于施密特正交化基本理论，使得两个算法可以在同一系统中运行，大大简化了算法复杂度，提高了实时性。实验结果表明，该算法在保证准确率情况下在实时性上有很大优势。 其次，提出基于免疫交叉变异的粒子群算法(Immune Cross-Mutation Particle Swarm Optimization，ICMPSO)对支持向量机的参数（惩罚系数c和径向基核函数参数g）进行优化。该算法相对自适应变异粒子群算法等普通算法进行了效果明显的改良，在不陷入局部最优的同时保证了稳定的收敛。实验结果表明，该算法能将分类准确率提高约3％。 最终，将经过FLD算法得到的高光谱图像带入到SVM分类机中进行分类，并在SVM参数选择上采用ICMPSO算法寻找到最优参数。实验结果表明，能够对高光谱图像17类地物信息中的5类进行较好识别，并且在分类准确率上较传统算法有较大提升。

目录

声明

摘要

第1章绪论

1．1课题研究背景与研究意义

1．2国内外研究现状

1．2．1高光谱图像解混研究现状

1．2．2粒子群算法研究现状

1．3数据来源

1．4主要研究内容及论文结构

1．4．1本文主要研究内容

1．4．2论文结构安排

第2章高光谱图像处理的基本理论

2．1数据降维算法(主成分分析)

2．1．1 PCA核心思想

2．1．2 PCA算法的计算过程

2．2端元提取算法

2．2．1单形体概念

2．2．2 N-FINDER

2．2．3顶点成分分析

2．3 SVM分类

2．3．1核函数与核参数

2．3．2 SVM多分类(1v1分类)

2．4自适应变异粒子群算法

2．4．1 AVPSO算法基本原理

2．4．2 AVPSO算法分析

2．5小结

第3章基于小波变换与PCA的特征提取算法

3．1高低频小波分解

3．1．1小波分解原理

3．1．2小波分解详细分析

3．1．3小波函数的“四大原则”

3．2小波PCA

3．3实验分析

3．4小结

第4章基于施密特正交化的快速高光谱图像解混方法

4．1端元选择

4．2丰度估计

4．3实验分析

4．3．1传统高光谱端元提取算法与FLD算法处理速度比较

4．3．2不同算法的端元提取结果比较

4．3．3不同信噪比与停机条件对提取端元数的影响

4．3．4解混效果分析

4．4小结

第5章基于改进粒子群算法的SVM参数优化

5．1基于遗传算法的粒子群算法

5．1．1遗传算法原理

5．1．2遗传算法具体步骤

5．2免疫遗传算法(IGA)

5．2．1IGA算法原理

5．2．2 IGA算法具体步骤

5．3免疫交叉变异粒子群算法(ICMPSO)

5．3．1ICMPSO算法原理

5．3．2 ICMPSO算法具体步骤

5．4实验分析

5．4．2 ICMPSO粒子群优化算法分类准确率

5．4．3分类结果重构图分析

5．5小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢