一种结合万有引力的高光谱遥感影像无监督分类算法

论文摘要

伴随着机载，星载卫星技术的迅猛提升，高光谱遥感技术近年来得到了长足发展，被广泛应用于矿业，林业等分析领域。高光谱遥感被认为是遥感领域的一次全新变革，使得那些在宽波段遥感技术中无法利用已有方法分析出的物质可以在高光谱遥感中能被分析与研究。遥感影像的分类是将影像中每个像元点区域归属于若干类别中的一类或若干专题要素中的一个，分类的结果将图像空间划分为若干个子区域，每个子区域代表一种实际地物。分类作为遥感数据处理的一个重要分支，有较为广阔的研究与创新空间。本文针对高光谱遥感图像的传统分类算法，创新性地以传统的K-Means分类算法为基础，利用万有引力算法对其优化，既保留了K-Means算法的优势，也在一定程度上克服了其劣势。这里以新疆东天山矿产高光谱数据为实验分类对象，研究并应用了一种基于K-Means的对高光谱遥感图像的无监督分类改进算法，经对比验证可认为取得了较良好的效果。相信该方法对高光谱遥感图像的分类算法研究具有一定的启示作用，并可在相关范围内进行普及应用。

论文目录

• 摘要
• Abstract
• 第一章 前言
• 1.1 选题依据及意义
• 1.2 国内外研究现状及发展趋势
• 1.3 研究内容与设计思路
• 1.3.1 研究的主要内容
• 1.3.2 论文的研究思路
• 第二章 高光谱遥感影像简介
• 2.1 高光谱遥感概念
• 2.2 机载高光谱图像成像
• 2.3 星载高光谱图像成像
• 第三章 高光谱影像分类方法讨论
• 3.1 监督分类方法
• 3.1.1 多级切割分类法
• 3.1.2 最大似然分类法
• 3.1.3 最小距离分类法
• 3.2 非监督分类方法
• 3.2.1 K - Means 分类方法
• 3.2.2 ISODATA 分类方法
• 3.3 监督与非监督算法的宏观比较
• 3.4 高光谱影像涉及的特有分类方法
• 3.4.1 基于特征空间的分类方法
• 3.4.2 基于光谱空间的分类方法
• 3.4.2.1 光谱夹角映射 SAM
• 3.4.2.2 光谱特征拟合 SFF
• 3.4.2.3 混合相元分解
• 第四章 基于万有引力的 K -Means 分类改进
• 4.1 对 K -Means 方法的深入探讨
• 4.1.1 优势
• 4.1.2 可改进的地方
• 4.2 万有引力算法引入
• 4.2.1 基本思想
• 4.2.2 利用万有引力算法的合理性
• 4.2.3 可行性探讨
• 4.3 万有引力算法与 K -Means结合后的效果
• 4.3.1 万有引力算法的独立实验效果
• 4.3.2 高光谱遥感影像分类效果
• 存在的问题以及后期可改进的方法
• 总结
• 致谢
• 参考文献
• 攻读学位期间取得学术成果
• 附录（本文主要代码）