超光譜遙感圖像處理關鍵技術研究.pdf

1、隨著傳統(tǒng)多光譜遙感技術的發(fā)展，在電磁波(光)譜、地理信息系統(tǒng)、電子技術、計算機技術、航天航空技術的基礎上，超光譜遙感作為一門新興的遙感技術出現(xiàn)并迅速發(fā)展。鑒于超光譜圖像數據獨具的高光譜分辨率，其蘊含豐富的地物光譜信息日益受到廣泛的關注。在傳統(tǒng)遙感圖像處理領域，已經研究了多種處理方法，相關技術日趨成熟。而相對傳統(tǒng)的多光譜遙感，超光譜遙感圖像的更多的光譜數據維、更高的光譜分辨率產生的海量數據，為超光譜遙感圖像處理帶來了困難，通常的多光譜遙感

2、圖像處理方法在超光譜遙感圖像應用上受到了限制。為了充分利用超光譜圖像數據的潛在優(yōu)勢，研究有效的適于超光譜圖像的分析和處理方法具有重要的理論意義和實用價值，而超光譜圖像分類處理技術的研究是超光譜圖像處理的熱點之一。因此，本文結合傳統(tǒng)多光譜遙感圖像處理技術，在現(xiàn)有的超光譜圖像分類處理方法基礎之上，重點研究了超光譜圖像數據的波段選擇、融合降維及適于超光譜圖像分類的新方法。 首先，為了從超光譜圖像高光譜維中選擇出有效的波段組合，降低超光

3、譜圖像的數據維數，在子空間分解的基礎上，論文提出了一種基于子空間分解的自適應波段選擇(SABS)新方法。這種方法確保選擇出的波段組合合理地分布于整個光譜空間，不但降低了超光譜圖像的維數，減少了相鄰譜間的相關性，又有利于局部分類特征的保留。結合超光譜圖像的各種波段間存在較高相關特性，論文討論了波段選擇必要性和可行性，對整個數據源進行子空間分解后，在每個子空間內自適應地選擇出了信息最為豐富的波段組合，充分利用了超光譜圖像自身的特點。利用SA

4、BS方法選擇出的波段組合，合理地分布于不同的特征子空間內，避免在整個數據空間進行特征提取時可能造成局部細節(jié)信息的丟失。實驗證明，SABS是適于超光譜圖像波段選擇的有效方法。 其次，在多傳感器數據融合理論指導下，論文研究了基于小波包融合的超光譜圖像特征融合降維方法。超光譜圖像各譜段來源于同一時間、同一分辨率、同傳感器，結構統(tǒng)一，不需配準，適于進行數據融合。小波包分解算法，分解不但在近似尺度(低頻)進行，還在細節(jié)分量(高頻)進行，便

5、于從多尺度，對超光譜圖像數據進行更為細致的分析。基于小波包融合的超光譜圖像降維方法通過子空間分解，將整個超光譜圖像劃分成不同數據源，然后在每個數據源內將超光譜圖像各波段進行小包分解，并對分解后不同頻率下的分解圖像加權融合為一維特征圖像。因為不同譜段圖像所包含信息不同，對應的權值也就不同，其在融合圖像中的貢獻就有所不同。融合后的圖像匯集了子空間內所有譜段超光譜圖像數據全部有效的信息，不但解決了超光譜圖像高數據維和少量訓練樣本矛盾，又保留

6、了超光譜圖像豐富的分類、統(tǒng)計特征。論文通過對各種融合參數仿真實驗，研究了小波包融合的最佳參數選擇，并給出了指導性建議。通過分類實驗證明了利用這種方法降維的超光譜圖像，診斷信息保留完整，分類精度高，計算量小，基于小波包融合的降維方法是適于超光譜圖像數據降維處理的有效手段。 最后，論文對神經網絡在超光譜圖像分類中的應用進行了研究，提出了超光譜圖像神經網絡分類方法，并設計了概率神經網絡分類器。隨著神經網絡理論不斷豐富和計算機系統(tǒng)硬件水平

7、不斷提高，神經網絡在模式識別領域占有越來越重要的地位，但神經網絡應用于超光譜圖像分類的研究還比較少。論文對比分析了可用于超光譜圖像分類的幾種神經網絡模型，并且對概率神經網絡在超光譜圖像分類中的應用進行具體研究。通過仿真實驗，研究了概率神經網絡分類器的樣本數據歸一化格式、樣本數據特征維數以及徑向基函數分布密度對分類結果的影響。結論表明，采用神經網絡對超光譜圖像進行分類，操作簡單、樣本數據維數高、聯(lián)想能力強，是優(yōu)于傳統(tǒng)最大似然分類的超光譜圖