首页 >  硕士论文 > 计算机硕士毕业论文 >   正文

计算机硕士毕业论文:基于最优子集准则的高光谱图像波段选择算法研究

添加时间:2018-01-01 16:26:32   浏览:次   作者: www.dxlwwang.com
专业论文资料, 搜索论文发表论文代写论文网为你解忧愁!详情请咨询我们客服。
获取免费的论文资料? 欢迎您,提交你的论文要求,获取免费的帮助

第 1 章 绪论

 
1.1 课题研究背景及意义
20 世纪 60 年代遥感技术开始兴起,以电磁波理论为基础,利用航空、卫星等平台的传感器,对离地面较远物体的电磁辐射特征进行检测和识别,经过几十年的迅速发展,在军事、经济等方面都获得广泛应用[1]。上世纪 80 年代,高光谱成像技术得到迅速发展,人类在遥感领域又上了一个新台阶,得到众多科研人员的高度关注。根据遥感分辨率的大小,国际上将成像光谱划分为多光谱遥感,高光谱遥感和超光谱遥感。当分辨率在  -110 界限之内,被划分为多光谱遥感,它仅存在于近红外和可见光谱区内,并且只有很少数量的波段;高光谱遥感有巨大的信息量、波段数量较多,它的光谱分辨率一般在  -210 数量级之内;超光谱遥感的分辨率规定为  -310 的界限内[2]。高光谱图像具有较高的数据维和光谱分辨率,可以同时获取空间图像和其对应的光谱信息,作为一类新型的光谱遥感数据,对高光谱数据特性的了解是非常有必要的。高光谱遥感是通过高光谱成像光谱仪从目标中的紫外至中红外区域中的几十甚至数百个连续的窄小波段进行连续光谱成像[3],从而获取目标信息和比较精细的光谱曲线,形成的光谱数据可以用一个有三个维度的立方体来形象的说明,如图 1.1,两个光谱维组成图像覆盖的地面空间,第三维是由若干个波段组成的光谱维。每一层数据对照一个波段的成像,每个像素点根据不同的波段依次展开又能获得一条不间断的光谱曲线。因此高光谱遥感能够精准的反映各种地物的光谱特征,并且对这些特性进行解析,不仅可以得到地物的外部物理构造,还能获取包含的内部组成成分[4],在生态环境、地质环境的勘探、农产品的内部品质检测等方面都有广阔的应用前景。高光谱影像有很高的光谱分辨率,包含极多的数据量,是传统多光谱遥感不可比拟的,但丰富的光谱信息也妨碍了对图像的处理。一方面,随着波段数量不断增加,同时也给高光谱图像处理带来负担;另外,波段间存在极高的冗余度,也会影响处理效果,这给图像的分类带来了困难。高光谱图像波段间拥有海量冗余信息和高度的相关性,因此,怎样通过有效方法从原始数据中剔除这些冗余信息,并达到降维目的成为目前关注的一个重要热点问题[5-6]。一个行之有效的方法是对光谱的高维进行降维,在一定程度上可以剔除多余信息。最常用的降维方式有特征提取与特征选择。特征提取的基本思想是利用非线性或线性转换方法把高维度空间中的图像投影到维度较低的特征空间中[7](如主成分分析、线性判别分析、投影寻踪[8]等)从而实现降维,但用这种方式提取的特征会丢失光谱数据本身的物理意义且存在高维特征空间的“小样本问题”[9]。高光谱图像的特征选择就是波段选择,主要根据某种评判准则来选取最佳波段,从原来的全部波段中挑选出个别具有代表性、质量好且有用的波段,并以此来表示整个数据集。相对来说,波段选择的方法则更为简单并且选取后的波段不仅基本不会失去波段原有的物理意义,还留着地物的光谱特性,因此成为现今高光谱遥感数据降维处理中非常重要的手段。
..........
 
1.2 高光谱图像波段选择的研究现状
高光谱波段之间具有复杂的相关性,在遥感工作中,仅依靠人的主观经验要在海量的数据中选出最佳波段是异常困难的,也很难达到区分地物差异的作用。因此需要按照一定的原则,来选择适合处理波段的最佳方法。波段选择基本的原则主要有以下 3 个[10]:(1)选取的波段子集所包含的信息要尽量保持最多;(2)为了使波段是有效的,就要要求波段集的相关性最弱;(3)所选的波段集要很容易区分开地物的类别。在目前阶段的研究中,波段选择方法大概可以分为以下几类:在基于信息量的方法中最常用的就是信息散度,也就是常说的 K-L 散度,直接去衡量波段信息量的大小,是比较困难的,文献[11]利用信息散度的方法首先分析相邻两个波段之间信息量的差异,进而依次去除导致总信息亏损最小的冗余波段,就相对容易些。K-L 方法旨在分别计算所有波段的价值,每次迭代都从余下的波段集中移除一个价值最小的波段[12]。1982 年,Chavezetal 最早提出了最佳指数法(OIF)[13],该方法主要是用来计算 n 个波段构成波段集后所反映的信息量,具体步骤是首先获得波段之间的标准差和相关矩阵,然后得到全部组合的波段集,获取全部波段集相应的 OIF 值。由于 OIF 的值是跟随着波段间的相关系数的增大而减少,又会随着标准差的增大而增大,所以试图找出最大 OIF 的值对应的波段集,就是相关信息量最大的波段集。不过这种方法的计算量比较大,同时有一定的局限性,这是由于对于同一区间位置的波段来说,波段间的标准差是不会改变的,随着距离的增大,相关系数会降低,这样获取的波段集中拥有的信息量就可能不是最丰富的[14]。对于 OIF 方法的不足,自适应波段选择的方法(ABS)被提出来了[15],ABS 方法根据波段间的信息量,制定适合的模型,获得每个波段的 ABS 的值,当值变大,表明波段间存在的信息量在变大,独立性也更强;根据 ABS 值由大到小的顺序将波段排序,指数大于系统设定的阀值的波段就会被挑选出来,或者选择指数大小最靠前的 n 个波段。Shijin Li[16]等人提出基于谱聚类和搜索算法的两阶段的方法。第一阶段先借助谱聚类算法把样本数据分成几个集群,生成训练样本的原始光谱曲线,然后根据时间序列重要点的概念提取每个群集的关键点,选出的波段要含有可识别的信息,获得初始待选波段集。接着进行第二阶段,根据条件互信息过滤候选波段,在一个相对较小的空间内进行分支定界搜索,从而得到最优波段组合。
..........
 
第 2 章 相关基础理论
 
2.1 粒子群优化算法
2.1.1 算法原理
Reynolds、Heppner 和 Grenader 发现鸟群在飞行过程中会同时改变方向,聚集到一起或飞散开等[34]。通过研究,他们认为这些行为是基于某种鸟类行为中的群体动态学。在早期的模型中,仅仅依赖鸟群中每个鸟之间的位置间隔来保证最优距离。Eberhart 博士和 Kennedy博士提出了一种新的进化算法[35]:粒子群优化算法(PSO)。其实就是模拟一群鸟类在特定区域中寻找食物的过程,如果在该区域中有且只有一块食物,这群鸟都不清楚把食物放到了什么地方,不过鸟群可以感受到自己目前的方位距食物的大概距离,那么这群鸟类找到食物的最好的方法就是:搜索当前飞行到与食物的距离最小的鸟附近的地区,然后依据自己之前寻找经验来分析推断食物的具体位置[36]。粒子群优化算法是从上述过程中受到启发,把每个寻优的问题的解都当成一只鸟,也就是一个“粒子”,所有的粒子都在一个D维空间中飞行,在寻找最优解的过程中,不断改变自己的位置和速度,所有的粒子都由一个适应度函数来判断当前位置的好坏。
.........
 
2.2 聚类
聚类简单来讲就是依据数据之间的相似性把数据实例划分成若干组的过程,这些相似组被称为聚类,目的就是使同类的数据实例放在一起,在相同聚类中的数据实例彼此有很高的相似性,不同聚类中的数据实例彼此很不相似,相似性是依据所描述物体自身的属性值来评估,通常涉及距离度量[40]。其中,选择的不同(如相似度准则、聚类类别数、聚类有效性判断)可能导致不同类型的聚类算法,关于这些选择,都有一定的经验规则,也即是本小节主要讨论的内容。层次方法简单来说就是一层一层的聚类,包括聚集或分裂两种方式,一般用的最多的是聚集的方式,聚集就是从下往上的方式,刚开始把每个样本都分别当作一个单独的类,找到距离最短的两个类组成一个大类,直到所有的类并为一个类,或者满足某个终止条件[43]。层次方法可以一次性的得到整个聚类的过程,但是它的缺陷是计算量比较大,每次都要计算多个类内所有样本的两两距离。
.........
 
第 3 章 基于最优子集准则的三类高光谱波段选择算法....16
3.1 高光谱图像波段选择的最优子集准则.........16
3.2 最优子集选择的搜索策略.........18
3.3 基于最优子集准则直接寻优的波段选择算法.......19
3.3.1 算法框架......19
3.3.2 基于 MNBS 准则粒子群直接寻优的波段选择算法..........19
3.4 基于波段聚类和最优子集寻优的波段选择算法.............21
3.5 基于关键波段选择和最优子集寻优的波段选择算法.....24
3.5.1 算法框架......24
3.5.2 基于关键波段提取结合 MNBS 准则粒子群寻优的波段选择算法......25
3.6 本章小结.......28
第 4 章 基于高光谱异常检测和分类的波段选择算法性能比较............30
4.1 基于 RX 的高光谱图像异常检测.........30
4.2 高光谱图像分类的两种算法:K 近邻和支持向量机......31
4.2.1 K 近邻...........31
4.2.2 支持向量机............32
4.3 基于高光谱 RX 异常检测的波段选择算法性能比较和分析.....33
4.4 基于高光谱分类的波段选择算法性能比较和分析.........39
4.5 本章小结.......43
第 5 章 结论及展望....44
5.1 结论.....44
5.2 下一步工作.............44
 
第 4 章 基于高光谱异常检测和分类的波段选择算法性能比较
 
为了方便下面实验的描述,将第三章 3.3.2 节介绍的基于 MNBS 准则的粒子群直接寻优的两种波段选择算法:前向搜索初始化粒子群和随机搜索初始化粒子群,分别记为MNBS_PSO(S_i)和 MNBS_PSO(R_i);将 3.4.2 介绍的基于聚类结合 MNBS 准则粒子群寻优的波段选择算法记为 BP_MNBS_PSO;3.5.2 节介绍的基于关键波段提取结合 MNBS 准则粒子群寻优的波段选择算法记为 SC_MNBS_PSO。为了验证算法性能,将波段选择的数据用于高光谱图像异常检测和分类,对几种不同波段选择算法进行实验比较分析。下面,先简单介绍高光谱 RX 异常检测算法和高光谱图像分类相关基础知识。
 
4.1 基于 RX 的高光谱图像异常检测
在光谱成像技术的不断发展下,高光谱图像目标检测技术日趋成熟,把从原始图像中提取所需目标作为目标检测技术的研究重点。由于高光谱图像“图谱合一”的特性,应用到目标检测领域中具有更强的自动识别能力,更好的区分实际背景和目标。从应用层次上来看,把目标检测算法分成异常检测和匹配检测两种,其中光谱的匹配检测通常要求有先验知识,采用某种匹配算法来识别目标类型。但是实际应用中一方面很难获取光谱的先验数据,另一方面会使检测任务复杂化。异常检测属于特殊的目标检测,它不需要知道目标的先验知识,而是通过变换来检测异常点。RX 异常检测算法是一种经典的检测方法,1990 年,由 Yu 和 Reed 共同提出来的恒虚警RX 检测器[68],该检测器的原理是首先用空间高通滤波去除多余背景杂波,各像素点杂波在光谱图像中展现为独立状态,接着根据二元假设和广义似然比来构建目标检测器,进行目标检测。本章将采用 RX 异常检测算法来验证不同波段选择算法的性能分析和有效性。
\
..........
 
结论
 
本文首先综述了高光谱图像波段选择的背景及意义、并分析总结国内外研究现状,确定本文研究的主要内容和预期成果。其中在研究现状中总结了当前波段选择大致分为四类——基于信息量的方法、基于最优子集准则的方法、基于聚类后分组的方法和基于基于波段重构误差最小的方法,并分析了基于最优子集的波段选择方法的优势。其次,对本文采用的粒子群算法和谱聚类算法进行了介绍。在粒子群算法的基本概念中,简单介绍了算法的基本流程,分析了其参数的影响和意义;对聚类则分别从常见的聚类算法、聚类的相似度准则和类别有效性判断方法三个方面进行阐述,对常见聚类算法中的k均值聚类和谱聚类基本流程进行介绍,并对相似度准则做了简单的比较和分析,为后面提出的算法做理论基础。再次,在第三章介绍了高光谱图像波段选择最优子集准则和最优子集选择的搜索策略,并在此基础上搭建基于最优子集准则的直接寻优的波段选择算法框架及主要算法流程,根据该框架提出基于MNBS准则粒子群直接寻优的波段选择算法,共MNBS_PSO(R_i)和MNBS_PSO(S_i)两种算法,这两种算法的差异在于初始化粒子的方式不同,MNBS_PSO(R_i)使用随机初始化粒子,MNBS_PSO(S_i)是根据连续向前选择MNBS_SFS的结果来构造初始粒子。接着构建基于波段聚类和最优子集准则的波段选择算法框架及主要流程,基于该框架提出一种使用谱聚类对波段进行聚类,然后结合MNBS准则粒子群直接寻优的波段选择算法BP_MNBS_PSO。构建基于关键波段和最优子集寻优的波段选择算法框架,并针对第一种框架的缺陷,提出了基于光谱角距离度量的聚类性能有效性指标SAMDBI ,结合视觉评估集群趋势和SAMDBI 确定聚类的类别数,经过对数据进行聚类后利用时间序列关键点定位方法提取每各类别数据的关键波段构成候选波段集的SC_MNBS_PSO算法。然后,简单介绍经典的 RX 异常检测算法和图像分类的两种算法:K 近邻和支持向量机,并把这 5 种方法应用到高光谱 RX 异常检测和分类算法中进行仿真实验,最后对实验结果进行性能比较和深入分析。
..........
参考文献(略)

提供海量毕业论文,论文格式,论文格式范文,留学生论文,商务报告相关资料检索服务。
本论文由代写论文网整理提供 http://www.dxlwwang.com/
需要专业的学术论文资料,请联系我们客服
本文地址:http://www.dxlwwang.com/jsj/6472.html
论文关键字:计算机硕士毕业论文 粒子群 聚类 时间序列分析