多传感器数据协同分类技术研究

论文摘要

随着电子技术、空间技术等当代技术的进步,遥感技术得到了迅猛的发展,其光谱和空间分辨率都有所提高,使得原来很多不能解决的问题现在得到了实现。但是对于单源的遥感图像,它还是不能克服自身的一些缺点,比如受传感器限制其空间分辨率还达不到某些应用的要求、单一的信息来源决定了其内容的片面性等。针对这种情况,近年来发展起来的多源图像协同处理是将来自多信息源的数据和信息加以智能化的合成处理,产生更精确、更完整、更可靠的描述及判决,在军事和民用方面都有着广泛的应用背景。本文在对单源遥感图像分类方法系统分析的基础上,针对高光谱及多光谱图像与全色图像的特点,概括了多源图像协同分类的一般模型,并利用不同的特征提取方法和基于学习的分类器对高光谱与全色图像及多光谱与全色图像进行了协同分类。首先对特征提取技术进行了分析介绍。在系统研究了多种特征提取方法的基础上,针对小波变换及PCA变换对于特征提取存在的问题与不足,将两者结合起来形成了小波PCA特征提取方法,能够有效地去除图像噪声,并克服了PCA变换中图像不同类别的空间信息丢失的缺点。其次,针对特征选择及优化组合技术中对于怎样选择及如何组合可以实现最优存在的困难,提出了一种特征变换的方法。该方法可以有效地降低特征维数,降低了计算量,并且能够增大不同类别的特征间的距离,有助于实现更好的分类结果。然后,对单源遥感图像的分类技术进行了研究。针对高光谱与多光谱在光谱表现上的不同,选择不同的技术进行光谱特征的提取,并基于提取的特征量分别采用无监督分类及监督分类方法进行了分类,给出了分类结果并进行了分析与评价。最后,研究了基于学习的多源图像协同分类。根据高光谱及多光谱与全色图像的特性,给出了协同处理技术的一般模型,完成了对多光谱与全色图像与高光谱与全色图像两组图像源进行了协同分类,相比于单源遥感图像的分类结果有了明显的提高,并研究了光谱指数在多源图像协同分类中的应用,通过实验说明了光谱指数在协同分类中的可适用性及良好的分类能力。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题来源及研究的目的和意义
• 1.1.1 课题背景及来源
• 1.1.2 课题研究的目的和意义
• 1.2 国内外在该方向的研究现状及分析
• 1.2.1 单传感器分类技术的发展及研究现状
• 1.2.2 多传感器协同处理技术的发展及研究现状
• 1.3 本文工作及结构安排
• 第2章 特征提取及分类识别理论基础
• 2.1 特征提取
• 2.1.1 光谱特征提取
• 2.1.2 纹理特征提取
• 2.2 特征选择
• 2.3 分类方法
• 2.3.1 基于统计决策理论的分类方法
• 2.3.2 基于学习的分类方法
• 2.4 分类能力的定量分析及评价方法
• 2.5 本章小结
• 第3章 多传感器数据协同分类相关技术研究
• 3.1 高光谱及多光谱与全色图像的协同分类算法描述
• 3.2 多传感器图像特性分析
• 3.2.1 高光谱及多光谱图像特性分析
• 3.2.2 全色图像特性分析
• 3.3 特征提取及变换技术
• 3.3.1 小波PCA特征提取
• 3.3.2 光谱指数特征提取
• 3.3.3 特征变换
• 3.4 协同分类器的选择
• 3.4.1 高光谱图像分类
• 3.4.2 多光谱图像分类
• 3.4.3 基于单传感器图像分类的协同分类器选择
• 3.5 本章小结
• 第4章 基于学习的多传感器图像协同分类
• 4.1 多光谱与全色图像协同分类
• 4.1.1 算法总体框图
• 4.1.2 算法实现
• 4.1.3 实验结果及分析
• 4.1.4 光谱指数在协同分类中的应用
• 4.2 高光谱与全色图像协同分类
• 4.2.1 系统总体框图
• 4.2.2 系统实现
• 4.2.3 实验结果及分析
• 4.3 本章小结
• 结论
• 参考文献
• 致谢