高光譜遙感圖像高效分類與解混方法研究

《高光譜遙感圖像高效分類與解混方法研究》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、廣系＆？雜衫＿博士學(xué)位論文＿儀麗＿髙光譜遙感圖像髙效分類與解混方法研宄作者姓名李嬌嬌指雜師姓名、職稱李云松教授申請學(xué)位類別工學(xué)博士—學(xué)校代碼10701學(xué)號1201110089分類號TP75密級公開西安電子科技大學(xué)博士學(xué)位論文高光譜遙感圖像高效分類與解混方法研究作者姓名：李嬌嬌一級學(xué)科：信息與通信工程二級學(xué)科：通信與信息系統(tǒng)學(xué)位類別：工學(xué)博士指導(dǎo)教師姓名、職稱：李云松教授學(xué)院：通信工程學(xué)院提交日期：2016年9月ResearchonHighEfficientClassificationandUnmixingAlgor

2、ithmsforHyperspectralRemoteSensingImageryAdissertationsubmittedtoXIDIANUNIVERSITYinpartialfulfillmentoftherequirementsforthedegreeofDoctorofPhilosophyinCommunicationsandInformationSystemsByLiJiaojiaoSupervisor:LiYunsongTitle:ProfessorSeptember2016西安電手科技大學(xué)學(xué)位論文獨(dú)創(chuàng)性（或創(chuàng)新性）聲明秉承學(xué)校嚴(yán)謹(jǐn)?shù)膶W(xué)

3、風(fēng)和優(yōu)良的科學(xué)道德，本人聲明所呈交的論文是我個(gè)人在導(dǎo)師指導(dǎo)下進(jìn)行的研宄工作及取得的研宄成果。盡我所知，除了文中特別加以標(biāo)注和致謝中所羅列的內(nèi)容以外，論文中不包含其他人已經(jīng)發(fā)表或撰寫過的研究成果；也不包含為獲得西安電子科技大學(xué)或其它教育機(jī)構(gòu)的學(xué)位或證書而使用過的材料一同工。與我作的同事對本研究所做的任何貢獻(xiàn)均已在論文中作了明確的說明并表示了謝意。一。學(xué)位論文若有不實(shí)之處，本人承擔(dān)切法律責(zé)任〇／（：〇＞本人簽名：辦１？，曰期］西安電子科技大學(xué)關(guān)于論文使用授權(quán)的說明本人完全了解西安電子科技大學(xué)苻關(guān)保留和使用學(xué)位論文的規(guī)

4、定，即：研宄生在校攻讀學(xué)位期間論文工作的知識產(chǎn)權(quán)屈于刖安電子科技大學(xué)。學(xué)校有權(quán)保留送交論文，、的復(fù)印件允許查閱借鬩論文；學(xué)?？梢怨颊撐牡娜炕虿糠謨?nèi)容，允許采用影印、縮印或其它復(fù)制手段保存論文。同時(shí)本人保證，結(jié)合學(xué)位論文研究成果完成的論、發(fā)明專利等成果。文，署名單位為西安電子科技大學(xué)保密的學(xué)位論文在＿年解密后適用本授權(quán)書。：本人簽名導(dǎo)師簽名：＾＾方叫崎￣〇－ｉ＞?。瑁牐玻犎眨犉冢海眨犉冢海荆矗牐牐蓿墸墸崳娬吖庾V遙感興起于20世紀(jì)80年代，是一種融合光譜學(xué)理論與成像技術(shù)的前沿技術(shù)。高光譜遙感圖像包含幾十至

5、幾百個(gè)窄波段的光譜信息，能夠?yàn)槿祟惿鐣峁┴S富且精細(xì)的觀測數(shù)據(jù)。地物識別與分析作為高光譜遙感圖像的研究熱點(diǎn)，是高光譜遙感圖像處理的重要組成部分，主要可通過地物分類與像元解混兩種技術(shù)實(shí)現(xiàn)。地物分類技術(shù)是一種像元級處理技術(shù)，通過對觀測像元進(jìn)行類別標(biāo)定與識別來完成對地物的分析與識別；而像元解混技術(shù)是一種亞像元級處理技術(shù)，通過對觀測像元中所包含的不同純地物進(jìn)行分析并計(jì)算其含量來完成對地物的識別與分析。雖然，高光譜圖像具有光譜分辨率高及圖譜合一的特點(diǎn)，可以為地物分類與像元解混處理提供豐富的細(xì)節(jié)信息，但同時(shí)給這兩種技術(shù)帶來了巨大的挑戰(zhàn)和難度，主要原因有：（1）高光譜圖像

6、容易受到高光譜傳感器在空間分辨率上的限制以及光照、大氣、云層厚度等自然環(huán)境因素的影響，出現(xiàn)“同物異譜”和“異物同譜”的現(xiàn)象，這兩種現(xiàn)象不同程度地增加了地物分類與像元解混的難度。（2）高光譜圖像光譜維度高，由小樣本引起“Hughes”現(xiàn)象的出現(xiàn)，使高光譜圖像地物識別性能呈現(xiàn)先增加后下降趨勢。（3）高光譜圖像的大數(shù)據(jù)量給高光譜圖像處理帶來了極大的計(jì)算量。針對上述高光譜圖像在地物分類與像元解混中存在的問題，本文深入研究了基于人工神經(jīng)網(wǎng)絡(luò)的地物分類技術(shù)與基于稀疏回歸的像元解混技術(shù)，提出了高效的地物分類方法和像元解混方法。具體工作概括如下：一、基于優(yōu)化極限學(xué)習(xí)機(jī)的高光

7、譜圖像分類方法研究針對高光譜圖像數(shù)據(jù)量大，導(dǎo)致分類方法計(jì)算復(fù)雜度高、樣本訓(xùn)練時(shí)間長等問題，本文開創(chuàng)性的將極限學(xué)習(xí)機(jī)方法應(yīng)用在高光譜圖像分類中，并提出了一種基于優(yōu)化極限學(xué)習(xí)機(jī)的高效高光譜圖像分類方法。該方法研究并發(fā)掘出訓(xùn)練樣本數(shù)目與隱層神經(jīng)元數(shù)目之間存在一種經(jīng)驗(yàn)的線性關(guān)系，且這種線性關(guān)系可從小樣本數(shù)據(jù)集延伸至大樣本數(shù)據(jù)集，因此避免了大樣本數(shù)據(jù)集所帶來的大計(jì)算量。同時(shí)本文基于徑向基核函數(shù)實(shí)現(xiàn)了極限學(xué)習(xí)機(jī)的核函數(shù)版本，并將上述線性關(guān)系拓展至核函數(shù)極限學(xué)習(xí)機(jī)方法上。相較于經(jīng)典且具有較好分類精度的支持向量機(jī)方法和核支持向量機(jī)方法，本文所提方法在不損失分類精度的基礎(chǔ)上，

8、大幅度提高了樣本訓(xùn)練速度。二、基于高效徑向基神經(jīng)網(wǎng)絡(luò)