超光谱遥感图像处理关键技术研究

论文摘要

随着传统多光谱遥感技术的发展,在电磁波(光)谱、地理信息系统、电子技术、计算机技术、航天航空技术的基础上,超光谱遥感作为一门新兴的遥感技术出现并迅速发展。鉴于超光谱图像数据独具的高光谱分辨率,其蕴含丰富的地物光谱信息日益受到广泛的关注。在传统遥感图像处理领域,已经研究了多种处理方法,相关技术日趋成熟。而相对传统的多光谱遥感,超光谱遥感图像的更多的光谱数据维、更高的光谱分辨率产生的海量数据,为超光谱遥感图像处理带来了困难,通常的多光谱遥感图像处理方法在超光谱遥感图像应用上受到了限制。为了充分利用超光谱图像数据的潜在优势,研究有效的适于超光谱图像的分析和处理方法具有重要的理论意义和实用价值,而超光谱图像分类处理技术的研究是超光谱图像处理的热点之一。因此,本文结合传统多光谱遥感图像处理技术,在现有的超光谱图像分类处理方法基础之上,重点研究了超光谱图像数据的波段选择、融合降维及适于超光谱图像分类的新方法。首先,为了从超光谱图像高光谱维中选择出有效的波段组合,降低超光谱图像的数据维数,在子空间分解的基础上,论文提出了一种基于子空间分解的自适应波段选择(SABS)新方法。这种方法确保选择出的波段组合合理地分布于整个光谱空间,不但降低了超光谱图像的维数,减少了相邻谱间的相关性,又有利于局部分类特征的保留。结合超光谱图像的各种波段间存在较高相关特性,论文讨论了波段选择必要性和可行性,对整个数据源进行子空间分解后,在每个子空间内自适应地选择出了信息最为丰富的波段组合,充分利用了超光谱图像自身的特点。利用SABS方法选择出的波段组合,合理地分布于不同的特征子空间内,避免在整个数据空间进行特征提取时可能造成局部细节信息的丢失。实验证明,SABS是适于超光谱图像波段选择的有效方法。其次,在多传感器数据融合理论指导下,论文研究了基于小波包融合的超光谱图像特征融合降维方法。超光谱图像各谱段来源于同一时间、同一分辨率、同传感器,结构统一,不需配准,适于进行数据融合。小波包分解算法,分解不但在近似尺度(低频)进行,还在细节分量(高频)进行,便于从多尺度,对超光谱图像数据进行更为细致的分析。基于小波包融合的超光谱图像降维方法通过子空间分解,将整个超光谱图像划分成不同数据源,然

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题背景
• 1.2 超光谱遥感与多光谱遥感区别
• 1.3 超光谱图像处理技术发展
• 1.4 课题研究目的与意义
• 1.5 课题研究内容
• 第2章 超光谱图像波段选择方法研究
• 2.1 超光谱图像降维的意义
• 2.2 超光谱图像波段选择方法综述
• 2.3 基于子空间分解的自适应波段选择方法
• 2.4 本章小结
• 第3章 小波包融合降维方法研究
• 3.1 数据融合意义及方法
• 3.2 基于小波包分辨率分解的超光谱图像融合技术
• 3.3 基于小波包融合的超光谱图像分类仿真实验
• 3.4 本章小结
• 第4章 神经网络在超光谱图像分类中的应用
• 4.1 神经网络信息处理中的应用
• 4.2 神经网络在遥感图像分类中的应用
• 4.3 概率神经网络超光谱图像分类器设计
• 4.4 概率神经网络的超光谱图像分类仿真实验
• 4.5 本章小结
• 结论
• 参考文献
• 攻读学位期间发表的学术论文
• 致谢