高光谱溢油图像特征提取在油种识别中的应用

论文摘要

高光谱遥感技术在农业、矿石等领域得到了广泛的应用,而且发展比较迅速。此技术迅速发展的原因在于其自身的优点：高光谱图像波段多,且图谱合一,分辨率高,数据量丰富,包含整个可见光、近红外、短波红外、热红外波段的多而窄的连续光谱。高光谱遥感的出现使得本来在宽波段遥感中不可预测或不容易区分的物质,在高光谱遥感中将能被探测或较好的区分。国内外现有的对溢油检测的研究大都是基于红外、近红外等图像数据的研究,把高光谱图像数据用于溢油检测方面的例子很少,因此此项研究具有重大的研究价值。由于高光谱图像波段多（最多可达几百个波段）,数据量非常大,处理异常复杂,而且有些波段所带的信息量极少或者没有,甚至会给后续处理带来干扰,因此降维便成了高光谱图像处理的一个关键性步骤。高光谱图像降维有两种方法,一种方法是特征提取,另一种方法是波段选择。本文着重就高光谱图像特征提取和溢油油种分类识别做了深入分析,研究了基于GA-PCA的特征提取方法和基于SAM-SFF的油种识别方法,且利用实验室现有的实验设备做了溢油实验,建立了溢油油种波谱库。基于GA-PCA的特征提取算法将遗传算法引入特征提取过程,并将遗传算法和主成分分析结合共同实现降维过程；基于SAM-SFF的油种识别方法将光谱角匹配和波谱特征拟合这两种方法相结合,实现了较好的识别效果。本文利用美国内华达州（Nevada） Cuprite地区的高光谱影像数据和溢油实验所得图像分别对基于GA-PCA的特征提取方法和基于SAM-SFF的油种识别方法进行了实验验证。用基于GA-PCA的特征提取方法特征提取后,Cuprite地区的高光谱影像的分类精度可达96.4706%,比用基于PCA的特征提取方法的分类精度提高了5.8824个百分点。本文在溢油实验所得图像的基础上,验证了基于SAM-SFF的油种识别方法的优越性,其识别精度可达86.7%。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题来源及研究背景和意义
• 1.2 国内外研究现状
• 1.2.1 高光谱图像的国内外研究现状
• 1.2.2 高光谱溢油图像特征提取的国内外研究现状
• 1.3 论文的研究工作及文章结构
• 1.3.1 论文的研究工作
• 1.3.2 论文的结构
• 第2章 基于GA-PCA的高光谱溢油图像特征提取
• 2.1 高光谱遥感图像的结构特征
• 2.1.1 高光谱遥感图像的定义
• 2.1.2 高光谱遥感图像的特征
• 2.1.3 高光谱溢油图像的特点
• 2.2 高光谱溢油图像特征提取方法
• 2.2.1 高光谱溢油图像特征提取的定义和特点
• 2.2.2 高光谱图像特征提取方法
• 2.3 基于GA-PCA的高光谱溢油图像特征提取
• 2.3.1 高光谱溢油图像主成分分析方法研究
• 2.3.2 遗传算法优化过程
• 2.3.3 基于GA-PCA的特征提取算法
• 2.4 小结
• 第3章 基于SAM-SFF的高光谱溢油图像油种识别
• 3.1 海洋溢油的形成
• 3.2 高光谱溢油图像油种分类方法
• 3.2.1 高光谱溢油图像油种分类的特点
• 3.2.2 高光谱溢油图像油种分类识别方法
• 3.3 基于SAM-SFF的高光谱溢油图像油种识别
• 3.4 小结
• 第4章 溢油实验及结果分析
• 4.1 实验器材及实验环境介绍
• 4.1.1 设备介绍
• 4.1.2 实验环境搭建
• 4.2 实验方法及步骤
• 4.2.1 实验方法
• 4.2.2 数据获取
• 4.2.3 图像校正
• 4.2.4 特征提取
• 4.2.5 建立波谱库
• 4.2.6 油种识别
• 4.3 实验结果对比分析
• 4.4 基于GA-PCA的高光谱特征提取方法验证
• 第5章 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 致谢
• 研究生履历