高光谱遥感图像高效分类与解混方法研究

《高光谱遥感图像高效分类与解混方法研究》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、廣系＆？雜衫＿博士学位论文＿儀麗＿髙光谱遥感图像髙效分类与解混方法研宄作者姓名李娇娇指雜师姓名、职称李云松教授申请学位类别工学博士—学校代码10701学号1201110089分类号TP75密级公开西安电子科技大学博士学位论文高光谱遥感图像高效分类与解混方法研究作者姓名：李娇娇一级学科：信息与通信工程二级学科：通信与信息系统学位类别：工学博士指导教师姓名、职称：李云松教授学院：通信工程学院提交日期：2016年9月ResearchonHighEfficientClassificationandUnmixingAlgor

2、ithmsforHyperspectralRemoteSensingImageryAdissertationsubmittedtoXIDIANUNIVERSITYinpartialfulfillmentoftherequirementsforthedegreeofDoctorofPhilosophyinCommunicationsandInformationSystemsByLiJiaojiaoSupervisor:LiYunsongTitle:ProfessorSeptember2016西安电手科技大学学位论文独创性（或创新性）声明秉承学校严谨的学

3、风和优良的科学道德，本人声明所呈交的论文是我个人在导师指导下进行的研宄工作及取得的研宄成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的材料一同工。与我作的同事对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。一。学位论文若有不实之处，本人承担切法律责任〇／（：〇＞本人签名：办１？，曰期］西安电子科技大学关于论文使用授权的说明本人完全了解西安电子科技大学苻关保留和使用学位论文的规

4、定，即：研宄生在校攻读学位期间论文工作的知识产权屈于刖安电子科技大学。学校有权保留送交论文，、的复印件允许查阅借阋论文；学校可以公布论文的全部或部分内容，允许采用影印、缩印或其它复制手段保存论文。同时本人保证，结合学位论文研究成果完成的论、发明专利等成果。文，署名单位为西安电子科技大学保密的学位论文在＿年解密后适用本授权书。：本人签名导师签名：＾＾方叫崎￣〇－ｉ＞！ｈ．／２日期：ｙ日期：＞４．＾摘要摘要高光谱遥感兴起于20世纪80年代，是一种融合光谱学理论与成像技术的前沿技术。高光谱遥感图像包含几十至

5、几百个窄波段的光谱信息，能够为人类社会提供丰富且精细的观测数据。地物识别与分析作为高光谱遥感图像的研究热点，是高光谱遥感图像处理的重要组成部分，主要可通过地物分类与像元解混两种技术实现。地物分类技术是一种像元级处理技术，通过对观测像元进行类别标定与识别来完成对地物的分析与识别；而像元解混技术是一种亚像元级处理技术，通过对观测像元中所包含的不同纯地物进行分析并计算其含量来完成对地物的识别与分析。虽然，高光谱图像具有光谱分辨率高及图谱合一的特点，可以为地物分类与像元解混处理提供丰富的细节信息，但同时给这两种技术带来了巨大的挑战和难度，主要原因有：（1）高光谱图像

6、容易受到高光谱传感器在空间分辨率上的限制以及光照、大气、云层厚度等自然环境因素的影响，出现“同物异谱”和“异物同谱”的现象，这两种现象不同程度地增加了地物分类与像元解混的难度。（2）高光谱图像光谱维度高，由小样本引起“Hughes”现象的出现，使高光谱图像地物识别性能呈现先增加后下降趋势。（3）高光谱图像的大数据量给高光谱图像处理带来了极大的计算量。针对上述高光谱图像在地物分类与像元解混中存在的问题，本文深入研究了基于人工神经网络的地物分类技术与基于稀疏回归的像元解混技术，提出了高效的地物分类方法和像元解混方法。具体工作概括如下：一、基于优化极限学习机的高光

7、谱图像分类方法研究针对高光谱图像数据量大，导致分类方法计算复杂度高、样本训练时间长等问题，本文开创性的将极限学习机方法应用在高光谱图像分类中，并提出了一种基于优化极限学习机的高效高光谱图像分类方法。该方法研究并发掘出训练样本数目与隐层神经元数目之间存在一种经验的线性关系，且这种线性关系可从小样本数据集延伸至大样本数据集，因此避免了大样本数据集所带来的大计算量。同时本文基于径向基核函数实现了极限学习机的核函数版本，并将上述线性关系拓展至核函数极限学习机方法上。相较于经典且具有较好分类精度的支持向量机方法和核支持向量机方法，本文所提方法在不损失分类精度的基础上，

8、大幅度提高了样本训练速度。二、基于高效径向基神经网络