高光谱图像兴趣体自动提取技术研究

摘要

作为高光谱成像技术的产物之一，高光谱图像的实质是一个由二维空间维与一维光谱维结合而形成的三维数据立方体。虽然它具有着极高的光谱分辨率，但与之相对应的是高维度、大信息量的缺陷。而这些缺陷在其自身的压缩降维处理过程中将会诱发诸多问题，甚至有可能引发维数灾难。因此，如何从信息繁冗的高光谱图像数据立方体中提取含有高质量空间信息及光谱信息的感兴趣数据立体（即兴趣体），成为了迫在眉睫的研究需求。文章首先在高光谱数据立方体的光谱维运用一种创新的波段选择算法，该方法引入灰色关联决策理论，进一步优化了单一波段选择所得的结果;然后在所得波段选择结果的空间维进行图像分割，以确定其空间感兴趣区域，进而获取到最终结果——兴趣体;接着通过将各算法封装为兴趣体的自动提取算法，进行仿真实验;最终将实验所得结果与已有的传统方法进行对比，结果表明该方法实现了兴趣体的自动提取，同时有效提高了高光谱图像的降维质量，为后续进行更深层次的操作提供了有力的数据支持。

目录

声明

致谢

摘要

1 绪论

1．1 高光谱遥感技术简介

1．1．1 高光谱遥感概述

1．1．2 高光谱图像及其特性

1．1．3 高光谱遥感与多光谱遥感的区别

1．1．4 高光谱遥感的发展

1．2 兴趣体

1．2．1 兴趣体的概念

1．2．2 研究意义

1．2．3 研究现状

1．3 主要研究内容

1．3．1 研究内容

1．3．2 文章创新点

1．4 论文组织结构

2 高光谱图像降维技术

2．1 高光谱图像的降维方法

2．1．1 降维的必要性

2．1．2 降维的方法

2．2 基于“三准则”的波段选择

2．2．1 波段选择的“三准则”

2．2．2 基于“三准则”的波段选择思想

2．2．3 现有方法和文章方法的对比

2．3 图像数据的数值评价

2．3．1 标准差

2．3．2 离散系数

2．4 本章小结

3 基于信息量和类间可分性的光谱维波段选择算法

3．1 实验数据描述及预处理

3．1．1 实验数据描述

3．1．2 图像预处理

3．2 基于信息量的谱域波段选择算法

3．2．1 相关性及相关系数矩阵

3．2．2 基于信息量的波段选择算法

3．2．3 基于子空间划分和波段指数的最大信息量算法

3．3 基于类间可分性的空域—谱域波段选择算法

3．3．1 基于类间可分性的空域波段选择方法

3．3．2 基于类间可分性的谱域波段选择方法

3．3．3 基于B距离和欧氏距离的最大类间可分算法

3．4 本章小结

4 基于灰色关联决策的光谱维波段选择优化算法

4．1 灰色系统

4．1．1 灰色建模和灰色数学

4．1．2 灰色分析与灰色决策

4．2 灰色关联决策

4．2．1 基本思想

4．2．2 方法流程

4．3 基于灰色关联决策的光谱维波段选择优化算法

4．3．1 光谱维的总波段选择算法及流程

4．3．2 实验及结果

4．4 波段选择结果与其他方法对比

4．5 本章小结

5 基于图像分割的空间维感兴趣区域确定方法

5．1 伪彩色图像的图像分割方法

5．1．1 基于阈值的图像分割

5．1．2 基于边缘的图像分割

5．1．3 基于聚类的图像分割

5．2 特定波段组合图像的空间平面分割

5．2．1 二维最大熵分割法结果

5．2．2 边缘检测分割法结果

5．2．3 欧氏聚类图像分割法结果

5．2．4 三种方法所获取兴趣体的对比

5．3 高光谱图像兴趣体自动提取算法

5．4 高光谱图像兴趣体的自动提取结果

结论

参考文献

作者简历

学位论文数据集