基于案例推理的高光谱图像分类研究

论文摘要

高光谱遥感作为一种新型的遥感方式在近50年的发展中已经在军用和民用的多个领域发挥着重要的作用。与多光谱遥感相比,高光谱遥感数据具有波段数目多、光谱分辨率高、数据量庞大等特点,这对于利用遥感图像进行目标分类、识别与跟踪等都具有重要的研究价值和应用意义。然而其巨大的数据量和较高的数据维给高光谱图像分类处理带来较大的困难。对于高光谱图像的分类,往往要经过逐步的数据分析、特征提取,然后利用不同的分类器反复调整其中的分类器参数,方可寻找到最优的分类算法,重复性的处理过程使高光谱图像分类低效率、低智能。本文充分利用以往高光谱图像分类的经验,并将经验转化为实际的处理方案,实现对高光谱图像高效准确的分类,提出并建立了基于案例推理的高光谱图像分类识别系统。首先,为解决高光谱图像分类易出现的“维数灾难”问题,对高光谱图像特性进行分析,研究了光谱特征线性提取算法主成分分析法、基于核的及基于流形学习的光谱特征非线性提取方法,有效地保留和提取了图像的主要特征,为后续高光谱图像分类识别奠定了基础。其次,根据高光谱图像是否具有先验知识,以及先验知识的多少,分别研究了非监督分类算法、基于统计决策理论及基于机器学习理论的监督分类算法、基于小样本理论的半监督分类算法,同时对经验数据的分类结果及分类器参数选择进行记录,为案例推理系统的建立做准备。最后,在以上理论研究及具体实现的基础上,构建了基于案例推理的高光谱图像分类识别系统,集成了多案例、多规则、多分类方法,根据不同的实际应用需求,实现了对高光谱图像的智能学习及最优分类算法的选择,提高了分类的效率及优化了分类的算法。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景及来源
• 1.2 课题研究的目的和意义
• 1.3 国内外在该方向的研究现状及分析
• 1.3.1 高光谱图像特征提取的发展及研究现状
• 1.3.2 高光谱图像分类识别的发展及研究现状
• 1.3.3 基于案例推理系统的发展及研究现状
• 1.4 本文工作及结构安排
• 第2章 高光谱图像特征提取算法研究
• 2.1 引言
• 2.2 基于PCA的高光谱图像线性特征提取方法
• 2.2.1 PCA变换的特征提取原理
• 2.2.2 PCA变换的具体实现及结果分析
• 2.3 基于KPCA的高光谱图像非线性特征提取方法
• 2.3.1 KPCA变换的特征提取原理
• 2.3.2 KPCA变换的具体实现及结果分析
• 2.4 基于流形学习的高光谱图像非线性特征提取方法
• 2.4.1 流形学习的基本概念
• 2.4.2 基于LLE的高光谱图像特征提取
• 2.4.3 基于ISOMAP的高光谱图像特征提取
• 2.5 本章小结
• 第3章 高光谱图像分类识别算法研究
• 3.1 引言
• 3.2 高光谱图像非监督分类识别方法
• 3.2.1 基于K均值算法的非监督分类
• 3.2.2 基于ISODATA算法的非监督分类
• 3.3 高光谱图像监督分类识别方法
• 3.3.1 基于统计决策理论的最大似然分类
• 3.3.2 基于机器学习理论的支持向量机分类
• 3.3.3 基于机器学习理论的相关向量机分类
• 3.3.4 支持向量机和相关向量机的对比及实验分析
• 3.4 高光谱图像半监督分类识别方法
• 3.4.1 半监督分类的基本原理
• 3.4.2 半监督分类具体实现及分析
• 3.5 本章小结
• 第4章 基于案例推理的高光谱图像分类研究
• 4.1 引言
• 4.2 基于案例推理的主要功能单元
• 4.2.1 案例的表示
• 4.2.2 案例的检索
• 4.2.3 案例的修改
• 4.2.4 案例学习机制
• 4.3 基于案例推理的高光谱图像分类系统
• 4.3.1 系统的总体框图
• 4.3.2 案例推理系统主要单元的构建
• 4.3.3 案例推理系统的实现流程
• 4.4 基于案例推理的高光谱图像分类系统应用
• 4.4.1 基于全图分类的案例推理
• 4.4.2 基于单一地物分类的案例推理
• 4.5 本章小结
• 结论
• 参考文献
• 致谢