基于新型神经网络的高光谱遥感图像分类方法研究

摘要

高光谱遥感图像具有很高的光谱分辨率和地物鉴别能力，已广泛应用于农业、生态环境、国防等领域。由于高光谱图像波段多、数据量大，传统的遥感图像分类方法不合适高光谱图像分类。
　　本文在高光谱遥感图像降维处理的基础上，采用新型神经网络方法，对航空OMIS-I高光谱遥感影像进行详细的分类实验。首先，采用核主成分分析（Kernel Principal Component Analysis，KPCA）方法和遗传算法（Genetic Algorithm，GA）对高光谱遥感图像进行降维处理；然后；采用传统遥感图像分类方法（ISODATA、SVM）、传统神经网络（BP）、新型神经网络方法分别进行分类对比实验；最后，采用混淆矩阵和制图精度进行分类精度评价。论文的主要研究工作和成果包括：
　　（1）高光谱遥感图像降维处理。论文主要采用核主成分分析（KPCA）和遗传算法（GA）两种方法进行了降维。KPCA方法尽管降维后的物理意义不明确，但是对于不符合高斯分布的数据，KPCA能获得较为理想的效果，因为 KPCA是一种非线性降维技术。遗传算法降维属于波段选择的范畴，采用遗传算法进行波段选择时，尽管时间复杂度不是很低，但是能够找到比较理想的特征波段用于后继工作的分类。
　　（2）传统遥感图像分类方法与新型神经网络方法的对比。首先采用 SVM和ISODATA方法对 OMIS-I高光谱图像进行分类，然后将分类结果与新型神经网络方法对比，结果表明新型神经网络方法比传统遥感图像分类方法效果要好。
　　（3）应用新型神经网络方法对高光谱遥感图像进行分类实验。首先采用传统的BP神经网络算法对高光谱遥感图像进行了分类，分类结果显示，普通的BP网络分类结果并不理想。在此基础上，引入了模糊网络、小波网络、极限学习机、Adaboost网络、架构网络、基于遗传算法的神经网络等网络进行遥感图像的分类，然后与普通的BP网络进行对比。主要选择了2个指标进行对比：一个是制图精度，另一个是时间复杂度。实验表明新型神经网络方法比传统的神经网咯方法分类精度要搞。在制图精度上，Adaboost网络、模糊网络和基于遗传算法的网络的精度最高。而在时间复杂度上，极限学习机的效率最高，这是因为极限学习机不需要进行反复的迭代，而且不会陷入局部极小。但是这些新型的神经网络依然存在着一些缺点，例如Adaboost网络的计算量太大、遗传网络的计算太复杂且计算量太大、而极限学习机则容易出现过拟合等等。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 研究目的和意义

1.2 高光谱遥感概述

1.3国内外研究现状

1.4 研究内容和技术路线

1.5 本章小结

第二章 高光谱遥感图像的降维技术

2.1 高光谱遥感图像降维的必要性

2.2高光谱遥感图像降维方法

2.3 核PCA降维方法

2.4 基于遗传算法的降维方法

2.5 本章小结

第三章 神经网络分类原理及分析

3.1 神经网络简介

3.2 传统的神经网络方法

3.3 新型神经网络方法

3.4 本章小结

第四章 基于新型神经网络方法的高光谱遥感图像分类

4.1 OMIS-I高光谱遥感图像预处理

4.2 高光谱图像分类结果

4.3 分类结果精度对比评价

4.4 本章小结

第五章 总结与展望

5.1 总结

5.2 展望

致谢

参考文献