基于克隆选择算法的高光谱图像波段选择

《基于克隆选择算法的高光谱图像波段选择》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、华中科技大学硕士学位论文基于克隆选择算法的高光谱图像波段选择姓名：杨三美申请学位级别：硕士专业：通信与信息系统指导教师：田岩2011-01-24华中科技大学硕士学位论文摘要高光谱数据由于具有很高的光谱分辨率，携带有丰富的光谱信息，能探测到地物在光谱特性上的微小差异,因此理论上具有更强的辨识不同类别地物的能力，这为更准确地识别地物创造了前提条件，也正是成像光谱数据的优越性之所在。但是同时高光谱数据量的剧增以及高维数据特有的性质给其处理带来困难，出现高光谱数据的“维数灾难”问题，所以需要研究更合理的数学模型指导高光谱图像的分析处理。其中波段选择是实现光谱降维，解决高光谱图像维数灾难的有

2、效途径，也就是按照一定的准则和优化算法来选择最佳波段组成新的高光谱图像空间,在不损失重要信息的条件下可以代表其他波段的信息，这样既能够减小数据维、又能够保证信息的有效提取。为了构建一种同时兼具良好的选择效果和选择效率的高光谱波段选择方法。本文首先介绍了一种基于克隆选择算法的高光谱图像监督波段选择方法，监督的含义就是波段选择过程中需要限制波段组合的波段数目为固定数值。克隆选择算法在寻优方面具有良好的效果和快速的搜索功能。波段选择问题相当于一个组合寻优的问题，所以将克隆选择算法用于波段选择理论上可以取得很好的效果。该监督波段选择方法将以克隆选择算法为搜索策略、kappa系数为波段组合评

3、价准则，在较短的时间内获得较佳的波段组合。变异作为克隆选择算法的主要操作，对于克隆选择算法的寻优起着至关重要的作用，本文针对监督波段选择提出了一种基于光谱角的非均匀变异新方法，利用AVIRIS数据对其进行了仿真实验。实验结果表明,基于光谱角的非均匀变异的克隆选择算法在所选波段性能方面获得了很好的改进效果。接着，本文还把基于克隆选择算法的高光谱图像监督波段选择方法在搜索速度和搜索性能方面与基于增添特征法、基于遗传算法的高光谱图像波段选择方法进行了对比。最后，本文还提出了一套非监督波段选择方案，非监督波段选择在监督波段选择的基础上进行全局最优波段组合搜索，可以自动确定波段组合波段数目，

4、输出最终的波段组合；并选择了20维的高光谱数据进行了实验。关键词：高光谱图像；监督波段选择；非监督波段选择；非均匀变异；克隆选择算法；I华中科技大学硕士学位论文AbstractDuetohighspectralresolution，hyperspectraldatacarriesarichspectruminformation,andcandetectgeophysicsspectralcharacteristicsofslightdifferences.Thustheoreticallyhyperspectraldatahasstrongerabilitytoidentifydi

5、fferentobject,whichcreatprerequisitesformoreaccuratelyidentifyobject,anditisalsothesuperiorityofhyperspectralimagingdata.Butatthesametimehyperspectraldataincreasesandhigh-dimensionalhyperspectraldatabringsitstreatmenthardships,hyperspectraldata"dimensiondisaster"problemappear,soitneedtostudymo

6、rereasonablemathematicalmodeltoguidehyperspectralimageanalysisprocessing.Bandselectionisthebestmethodtoreducethespectraldimensionandsolvehyperspectraldimensiondisasterseffectively.Bandselectionmeanstochoosethebestbandcompositiontobuildupnewhyperspectralimagespace,itwillnotloseimportantinformat

7、ion,andcanreducedatadimension,andensuretheeffectiveinformationextracted.Inordertoconstructaalgorithmsforbandselectioninhyperspectralimageswhichhasbothexcellentbehaviorandlowcomputationload,thispaperfirstintroducesaalgorithmsforsupervisi