论文摘要：基于多特征结合的高光谱遥感图像分类技术研究

高光谱高空间分辨率双高数据不仅包含丰富的辐射和光谱信息，还包含了丰富的空间细节信息，因而具有巨大的应用价值和广阔的发展空间，高光谱遥感图像分类技术和方法一直是该领域的研究热点，其中主要包括如何解决高光谱海量数据即高维小样本问题，如何解决存在遥感影像中存在的“同谱异物”与“同物异谱”现象，如何选择分类器等。本文的主要研究内容和成果如下：

首先基于高光谱图像高维海量数据、波段间相关性强、数据冗余度大的特点，在全面分析研究目前常用高光谱遥感图像降维方法的基础上，提出了一种最佳波段组合的非变换数据降维方法，该方法结合数据相关系数矩阵灰度图成块的特点，根据相邻波段相关系数值，将波段划分为合适的数据子空间，在划分好的子空间中计算波段指数，筛选出指数相对较高的波段进行组合，在这些组合中选出距离可分性最好的一组。该方法不仅可以大大降低高光谱数据的维数，还能有效保留波段信息。

其次针对目前高光谱遥感图像分类方法中大多只利用光谱信息进行分类，纹理等空间细节特征利用不足的研究现状，提出一种基于多特征结合的高光谱遥感图像分类方法，该方法可有效利用数据的空间信息来改善分类器，提高分类精度。具体为：首先对高光谱遥感图像进行空间信息特征的提取，利用灰度共生矩阵计算图像的纹理信息，并用其中的平均值作为纹理特征波段，其次根据空间自相关特性，人工生成x，y相关波段作为空间特征波段。在分类器选择方面，考虑到支持向量机在小样本学习、抗噪声性能以及学习效率与推广性方面的明显优势，选择了支持向量机作为本研究的分类器。

论文最后以艇载的高光谱遥感图像AISA进行了分类实验，并用实地调查的真实数据进行了实验验证。针对结合纹理特征和空间特征来改善分类器的研究目的，本文实验了三种不同的分类方案，第一种是利用分段波段指数法获取最佳波段组合直接送入分类器训练，第二种是在第一种波段组合上增加纹理特征，最后一种是再增加x，y空间相关波段。光谱特征、纹理特征和空间特征是通过波段叠加组合集成SVM进行分类，分别对分类精度进行了评估，实验证明第三种方法可明显提高分类精度，分类效果最好。

来源：半壳优胜育转载请保留出处和链接！

本文链接：http://www.87cpy.com/292881.html