基于统计的高光谱图像分类技术研究

论文摘要

高光谱成像技术的问世是遥感技术应用的一个重大飞跃,已广泛用于区域识别、地球资源管理、环境监测、军事侦察,目标跟踪和目标识别等方面。而高光谱图像分类技术是很多应用的基础。但仅用传统分类算法对高光谱图像分类,会导致分类精度降低、空间数据冗余和资源的极大浪费。本文针对高光谱图像数据的特性和传统分类的局限性,研究了如何利用高光谱图像丰富的信息对其进行有效的分类。本文的主要工作如下:1.分析了高光谱图像及其差分图像的非高斯性,以及用来刻画这些非高斯性的统计模型,为相关的处理技术建立了合适的模型。2.基于马尔可夫随机场(Markov Random Fields,MRF)和高斯混合模型(Gaussian Mixture Models, GMM)构造了一种对高光谱图像进行监督分类的新方法。该方法利用PCA降维后的高光谱图像及其差分图像的先验信息建立高光谱图像的随机模型,并把最大后验估计作为地物分类优化的评判标准,最后用模拟退火算法实现地物标记。实验结果表明该方法是一种简单、高效、稳定高光谱图像分类方法。3.研究了独立成分分析(Independent Component Analysis,ICA)的原理,说明ICA原理适用于具有光谱混合现象和非高斯统计特性的高光谱图像。在此基础上给出一种无监督的高光谱图像分类方法:它将独立成分分析原理应用于高光谱图像分析上,再结合马尔可夫随机场,得到无监督的分类结果。实验结果说明了所提方法的有效性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题背景及意义
• 1.2 高光谱遥感影像分析国内外研究现状
• 1.2.1 基于纯像元的分析方法
• 1.2.2 基于混合像元的分析方法
• 1.3 高光谱图像分类技术研究现状
• 1.3.1 监督分类与非监督分类
• 1.3.2 参数分类与非参数分类
• 1.3.3 确定性分类与非确定性分类
• 1.3.4 其他分类方法
• 1.4 论文的研究内容和组织结构
• 第二章 高光谱图像预处理和统计分类理论
• 2.1 高光谱图像的数据表示
• 2.1.1 高光谱向量
• 2.1.2 差分图像
• 2.2 高光谱图像特征选择与特征提取
• 2.2.1 特征选择与特征提取
• 2.2.2 主成分分析
• 2.3 高光谱图像统计分类
• 2.3.1 基于统计决策理论的分类器设计
• 2.3.2 高光谱图像分类流程
• 2.4 分类精度评价
• 2.5 本章小结
• 第三章 基于MRF 和GM 模型的高光谱图像分类
• 3.1 马尔可夫随机场的基本理论
• 3.1.1 邻域系统和簇
• 3.1.2 MRF 和Gibbs 随机场
• 3.1.3 MRF 与Gibbs 随机场的等价性
• 3.2 MRF 中的图像分类算法框架
• 3.3 非高斯统计模型
• 3.3.1 椭圆轮廓线分布模型
• 3.3.2 混合模型
• 3.3.3 广义拉普拉斯模型
• 3.3.4 核密度估计
• 3.4 图像统计模型
• 3.4.1 先验模型
• 3.4.2 光谱向量模型
• 3.4.3 差分图像模型
• 3.5 地物类别标记算法
• 3.6 实验结果与分析
• 3.7 本章小结
• 第四章 独立成分分析在地物信息提取中的应用
• 4.1 独立成分分析
• 4.1.1 相关的基础知识
• 4.1.2 独立成分分析模型
• 4.1.3 独立成分分析估计原理
• 4.2 独立成分分析在高光谱图像分类中的应用
• 4.2.1 高光谱图像中的ICA 模型
• 4.2.2 基于ICA 模型高光谱图像的特征提取
• 4.2.3 基于ICA 模型高光谱图像的分类
• 4.3 实验结果与分析
• 4.4 本章小结
• 第五章 结论与展望
• 致谢
• 参考文献
• 攻硕期间的研究成果