基于云理论的高光谱遥感图像分类研究

论文摘要

高光谱遥感数据具有非常高的光谱分辨率,因此非常有利于深入挖掘地物的理化特性或精细识别不同的地物,因此高光谱图像的分类研究是高光谱遥感应用的主要内容之一。虽然现在已经有很多种高光谱遥感图像分类算法,但是一个重要的基础问题——高光谱遥感数据的不确定性,并没有引起这些算法的足够重视。传统的分类方法即没有考虑到数据模糊性,也没考虑到数据的随机性,是“硬”分类算法。现有的“软”分类方法中,有些方法只考虑了随机性而没考虑模糊性,比如最大似然比分类；模糊分类也属于软分类,模糊分类算法可以解决图像数据中的模糊性和非随机性问题,然而对于在某种程度上可作为一种随机变量的高光谱遥感图像而言,这仍然是不够的。粗集理论考虑到了模糊性和不确定性,但是没有进行空间关系的研究。云模型表示概念的不确定性,它突破了传统方法的局限,有机地结合了自然语言中的模糊性和随机性,实现了自然语言的不确定性与定量数值之间的相互映射。因此,针对高光谱遥感图像的不确定性,本文将云理论引入到了高光谱遥感图像的分类。论文主要内容如下：1、首先介绍了课题的背景和研究意义,然后介绍了现有的各种高光谱遥感分类方法,对各种算法的性能做了归纳和对比。然后对云理论的提出及其发展现状进行了叙述。最后分析了一下选择课题的思路以及设定的课题目标方案。2、介绍了高光谱遥感图像数据的三种存储方式；重点介绍了高光谱遥感数据的不确定性；研究了遥感数据不确定性的三大基础理论：概率论、模糊集和粗集。3、介绍云理论的一些概念,包括云模型的定义、数字特征,云发生器和云变换,最后总结了云的特点。4、介绍了将云模型应用到高光谱分类中的详细步骤。首先用逆向云发生器生成各类地物云模型的参数,然后运用X条件云来计算各个测试样本的隶属度,最后根据极大判定法则对测试样本进行分类。之后对分类结果进行了详细的分析。5、将云变换应用到高光谱图像的分类中。首先通过云变换产生各类地物的云模型然后根据与云模型的相同分类步骤进行分类,最后对云分类结果进行了分析。仿真实验表明云模型分类简单易懂,计算量小,取得的精度高与传统分类算法。云变换分类也取得了和云模型分类一样高的分类精度,但是云变换分类计算复杂、耗时。总之,基于云理论的高光谱遥感图像分类具有很大的潜在研究空间和很好的发展前景。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题研究背景及意义
• 1.2 高光谱遥感分类方法概述
• 1.2.1 监督分类
• 1.2.2 非监督分类
• 1.2.3 其他分类方法
• 1.3 云理论的研究现状
• 1.4 论文的选题和目标内容
• 1.5 章节安排
• 第2章 高光谱遥感数据特性
• 2.1 高光谱遥感数据的存储
• 2.1.1 遥感图像数据的存储
• 2.1.2 遥感数据的存储
• 2.1.3 本课题仿真实验所用图像的信息
• 2.2 遥感数据的不确定性
• 2.2.1 不确定性的概念
• 2.2.2 遥感数据的不确定性
• 2.3 高光谱遥感数据的不确定性
• 2.3.1 高光谱遥感数据与普通遥感数据共有的不确定性
• 2.3.2 高光谱遥感数据独有的不确定性
• 2.4 解决遥感数据不确定性的基础理论
• 2.4.1 基于概率论及数理统计的不确定性研究
• 2.4.2 基于模糊集合的不确定性研究
• 2.4.3 基于粗集理论的不确定性研究
• 2.5 本章小结
• 第3章 云理论的基础知识
• 3.1 云理论的基本概念
• 3.1.1 云模型的定义及其数字特征
• 3.1.2 云发生器
• 3.1.3 正态云发生器
• 3.2 云变换
• 3.2.1 变换的定义
• 3.2.2 云变换的特点
• 3.3 云的特点
• 3.4 本章小结
• 第4章 基于云理论的高光谱图像分类研究
• 4.1 高光谱遥感图像分类评价指标
• 4.2 基于云模型的高光谱遥感图像分类研究
• 4.2.1 选取训练样本
• 4.2.2 逆向云发生器生成云模型参数
• 4.2.3 X条件云发生器计算隶属度
• 4.2.4 云模型分类结果
• 4.2.5 分类结果分析
• 4.3 基于云变换的高光谱遥感图像分类研究
• 4.3.1 峰值云变换生成叶子云模型
• 4.3.2 泛概念树的自动生成
• 4.3.3 隶属概念的判定
• 4.3.4 云变换分类的结果
• 4.3.5 云变换分类方法分析及其结果分析
• 4.4 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文及取得的科研成果
• 致谢