高光谱图像降维及分割研究

《高光谱图像降维及分割研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：TP751密级：——西北工业大学Y857984单位代码：10699研究生学号：036090385硕士学位论文(学位研究生)题目高光谱图像降维及分割研究作者杨诸胜指导教师专业技术职务学科(专业)郭雷教授模式识别与智能系统2006年3月摘要高光谱遥感数据具有波段众多、光谱分辨率高、数据量大等特点。这使得对地物的分辨更加准确，但这不仅给数据的存储和传输带来了困难，也给数据的处理带来了巨大的挑战。因此如何有效的降低高光谱图像的维数，减少数据量是高光谱图像分析中的一个重要问题。特征提取和波段选择是目前国内外主要使

2、用的降维算法。主成分分析(PCA)作为一个多元数据分析的工具，在基于特征提取的降维算法中被普遍使用，但这种降维改变了原始波段的物理意义，使图像的解译变得困难。为了克服这个缺点，本文在对PCA在进行深入研究的基础上，提出了四种波段选择算法，并将它们应用于高光谱图像分割中，本文主要工作如下：1．提出了一种基于权值的波段选择算法。在主成分变换中，各个主成分可以看作是以变换矩阵元素为权值由原始波段进行加权而得到的，因此，变换矩阵元素的一定组合可以反映原始波段的信息含有量，根据它可以选择出有效的波段，实验证明这种方法简单

3、可行。2．提出了一种基于贡献率的波段选择算法。根据原始数据协方差阵的特征值和特征向量，可以计算各个波段对给定主成分的贡献率，对重要主成分贡献率的和直接反应了波段信息量的大小，因此可根掘它选择波段，实验证明，该方法效果较好，且计算量小。3．提出了一种基于分段主成分分析的波段选择算法。前面两种方法在选择波段的过程中，相关性较强的两个波段可能被同时选择，而且由于主成分变换是一种全局变换，某些局部比较重要的波段可能被漏选。解决这个问题的一个简便的方法是先对原始波段进行分段，在分段的基础上进行波段选择。4．提出了一种小波

4、变换和主成分分机相结合的波段选择算法。主成分变抉可以很好的压缩信息，但由于它的全局性，使得光谱特征和局部特征没有被更好的保留下来；小波分解是在光谱维对每个像元进行的，它可以很好的保留光谱特征和局部特征。该算法充分利用两种变换的优势，先对原始图像进行小波变换，然后在变换域进行波段选择。实验表明，与前三种算法相比，该算法可以将图像降到更低的维数。5．高光谱图像分割是图像理解、目标跟踪、目标识别等许多图像分析和应用的一个关键步骤，本文总结了常用的无脓督图像分割方法，并将本文提出的波段选择算法作为这些分割的降维方法，取

5、得了较好的效果。关键词：遥感，高光谱图像，波段选择，降维，主成分分析AbstractThecharacteristicsofhyperspectralremotesensingdataarenumerouschannels，highspectralresolution，andlargeamoantsofdata，whichmakesIteasytodiscriminateobjectsinthescene，however,thevastamountsofdatanotonlymakesitdifficultto

6、transpoftandstorethem，butalsoprocessthem．Therefore，itisveryimportanttoreducethedimensioninthehyperspectralimageanalysis．Dimensionalityreductioncarlgenerallyfallintofeatureextractionandbandselection．Asamultianalysistool，PrincipleComponentAnalysis(PCA)iscommon

7、lyusedinthefeatureextraction．However,suchdimensionalityreductionchangesthephysicalmeaningsoftheoriginalbands，whichmakesitdifficulttointerpretthehyperspectralimage．Inthispaper,inordertoovercometheshortcomingwecarryonadeepinvestigationintoPCA，andproposefourban

8、dselectionalgorithmswhichselectasubsetsfromtheoriginalbands，intheend，weapplythesealgorithmstothehyperspectralsegmentation．1．ProposedaBandselectionalgorithmbasedonfeatureweighting．InthePCA，thepri