基于模糊遗传算法和核主成份分析的遥感图像处理研究

摘要

目前，遥感技术已成为区域荒漠化监测与评价的重要手段，是区域荒漠化、土壤信息、植被信息的主要获取方式。尽管遥感技术在土地荒漠化监测与变化分析方面具有很大的优势，并成为当今对荒漠化研究不可缺少的手段之一。然而，要实现对荒漠化快速、准确的变化分析以及评价并不是一件轻松的任务。面对如此海量的信息源，如何及时、准确地获取所需信息并加以利用，如何探索新的技术与方法更精确更多地从遥感图像获取所需的专题信息一直是遥感图像处理所亟待解决的关键技术。 基于上述目的，本文针对一般传统荒漠化信息提取中，往往未能利用到遥感数据中的高阶统计信息，因而忽略了多个像素间的非线性相关性，致使图像非线性信息提取方面的不足，在广泛查阅国内外有关遥感技术、遥感图象处理方法、荒漠化信息提取方法的文献资料的基础上，着重从如何运用现代数学方法解决遥感图像非线性信息提取方面展开研究。充分利用已有的数据和资料，在前人的荒漠化信息提取研究成果基础上，分别对模糊聚类分析、遗传算法和主成份分析等方法进行了理论研究，针对以上各种方法的优点与不足，结合遥感数据中高阶统计信息的特点，设计出基于GMFCM(基于Mahalanobis距离模糊c-均值聚类遗传算法)和KPCA(核主成份分析)的特征提取模型。 将基于GMFCM(基于Mahalanobis距离模糊c-均值聚类遗传算法)和KPCA(核主成份分析)的特征提取模型分别应用到内蒙古自治区境内的伊克昭盟-阿拉善盟-巴彦淖尔区境内的库布齐沙漠西段和乌兰布和沙漠东北部1989年TM图像和2000年ETM图像特征提取中，比起传统的特征提取方法，较好的提取了非线性特征，并且图像特征提取结果与当地十二年来实际荒漠化变化情况比较吻合，验证了模型的有效性。 实例结果表明，本文的研究成果丰富了荒漠化特征提取，为荒漠化特征提取提供了新的方法以及有效可行的途径。

目录

文摘

英文文摘

声明

第1章引言

1.1选题依据及研究意义

1.2国内外研究现状

1.2.1遥感图像荒漠化特征提取方法研究现状

1.2.2核函数研究现状

1.2.3遗传算法研究现状

1.2.4模糊理论研究现状

1.3研究内容及技术路线

1.4论文主要创新点

第2章PCA和KPCA在特征提取中的应用

2.1 PCA方法及其弊端

2.2核方法

2.3 KPCA方法

第3章基于GMFCM和KPCA的遥感图像特征提取模型

3.1标准遗传算法

3.2模糊理论和遗传算法的结合

3.3基于马氏距离的模糊C-均值聚类遗传算法(GMFCM)

3.3.1模糊C-均值聚类数学基础

3.3.2模糊C-均值聚类遗传算法

3.3.3改进的模糊C-均值聚类遗传算法

3.4一种基于GMFCM和KPCA的遥感图像特征提取模型

3.5基于GMFCM和KPCA遥感图像特征提取模型与传统特征提取方法的比较

3.5.1基于GMFCM和KPCA的遥感图像特征提取模型

3.5.2 PCA变换结果与特征提取模型比较

3.5.3 NDVI提取结果与特征提取模型比较

3.5.4缨帽变换提取结果与特征提取模型比较

3.5.5结论

第4章荒漠化特征提取实例

4.1工作区简介

4.1.1地理位置

4.1.2地貌特征

4.1.3气候特征

4.2遥感图像选取

4.3荒漠化特征选取

4.3.1基于GMFCM和KPCA特征提取模型的荒漠化特征提取

4.3.2模型特征提取效果评价

结论

致谢

参考文献