高光谱遥感图像分割算法研究

论文摘要

高光谱遥感图像具有波段多、光谱分辨率高、数据量大等特点,在给人们带来丰富信息的同时,也给数据处理带来了巨大的挑战。如何有效的对高光谱图像进行降噪,降低高光谱图像的维数,减少数据量是高光谱图像分割中的一个重要问题。降噪方面:本文选择了两种传统的频域降噪方法,高通滤波和低通滤波对高光谱图像进行处理。在空域降噪方面,本文选择了基于数学形态学的方法,设计了一种基于开、闭运算的串行级联式形态滤波器。高通滤波使图像得到锐化,突出了图像的边缘信息,同时保留了图像的大部分噪声信息,该滤波结果可用到降维运算中。低通滤波使图像平滑,降低图像噪声。形态滤波与低通滤波的效果一样,也是通过图像平滑降低图像噪声,但其平滑效果比低通滤波要好。降维方面:本文在特征提取方面选择了两种算法进行处理,主成分分析和最小噪声分离方法。主成分分析是多元数据分析的一个有力工具,在基于特征提取的高光谱图像降维处理中有着广泛应用,但该方法对噪声比较敏感,在实现降维的过程中,也保留了图像的噪声信息。基于此提出了最小噪声分离变换,它是一种以最大化信噪比为衡量准则的线性变换。它在实现降维的过程中也对噪声进行了分离。分割方面:本文以基于标记分水岭算法的高光谱图像分割算法为主轴,简要介绍数学形态学预处理的基本运算。借助阈值分割和K均值聚类分割引出标记分水岭算法的分割技术。以德兴铜矿高光谱遥感图像为研究数据,并将三种分割算法进行比较,给出基于标记分水岭分割算法的优越性。本文提出了一种通过降噪、降维,选取主成分大的特征图像进行分割的方法;提出了基于数学形态学的高光谱遥感图像降噪技术;并将标记分水岭算法成功运用于高光谱图像分割中。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题研究背景和意义
• 1.2 国内外研究现状
• 1.3 本文主要工作
• 第2章 数学形态学基础知识
• 2.1 数学形态学的介绍
• 2.2 数学形态学的运算
• 2.2.1 二值形态学运算
• 2.2.2 灰度形态学运算
• 2.3 灰度形态学处理算法
• 2.3.1 形态学滤波
• 2.3.2 形态学梯度
• 2.3.3 形态学重构
• 2.4 分水岭算法的介绍
• 2.4.1 分水岭算法的原理
• 2.4.2 分水岭算法的应用
• 2.4.3 本节小结
• 第3章 高光谱遥感图像降噪处理
• 3.1 高光谱遥感图像降噪处理的必要性和主要方法
• 3.1.1 降噪的必要性
• 3.1.2 降噪的主要方法
• 3.2 高光谱遥感图像低通滤波
• 3.3 高光谱遥感图像高通滤波
• 3.4 高光谱遥感图像形态滤波
• 3.5 本章小结
• 第4章 高光谱遥感图像降维处理
• 4.1 高光谱遥感图像降维处理的必要性和主要方法
• 4.1.1 降维的必要性
• 4.1.2 降维的主要方法
• 4.2 高光谱图像主成分分析（PCA）
• 4.3 高光谱图像最小噪声分离（MNF）
• 4.4 本章小结
• 第5章 高光谱遥感图像分割技术研究
• 5.1 高光谱遥感图像分割的理论基础
• 5.1.1 图像分割的原理
• 5.1.2 高光谱遥感图像分割的原理
• 5.1.3 高光谱遥感图像分割的基本方法
• 5.2 阈值分割方法
• 5.2.1 单灰度级阈值分割
• 5.2.2 多灰度级阈值分割
• 5.2.3 基于多灰度级阈值高光谱图像分割
• 5.3 K-MEANS分割方法
• 5.3.1 K-means聚类
• 5.3.2 基于K-means聚类的高光谱遥感图像分割
• 5.4 基于标记分水岭的分割方法
• 5.4.1 标记分水岭算法
• 5.4.2 基于标记分水岭的高光谱遥感图像分割
• 5.5 本章小节
• 总结与展望
• 致谢
• 参考文献
• 攻读学位期间取得学术成果