基于高光谱数据的多源遥感图像协同分类研究.pdf

《基于高光谱数据的多源遥感图像协同分类研究.pdf》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、博士学位论文基于高光谱数据的多源遥感图像协同分类研究SYNERGETICCLASSIFICATIONOFHYPERSPECTRALDATA-BASEDMULTI-SOURCEREMOTESENSINGIMAGES陆小辰哈尔滨工业大学2018年6月国内图书分类号：TP751.1学校代码：10213国际图书分类号：621.3密级：公开工学博士学位论文基于高光谱数据的多源遥感图像协同分类研究博士研究生：陆小辰导师：张钧萍教授申请学位：工学博士学科：信息与通信工程所在单位：电子与信息工程学院答辩日期：2018年6月授予学位单位：哈尔滨工业大学Classi

2、fiedIndex:TP751.1U.D.C:621.3DissertationfortheDoctoralDegreeinEngineeringSYNERGETICCLASSIFICATIONOFHYPERSPECTRALDATA-BASEDMULTI-SOURCEREMOTESENSINGIMAGESCandidate：LuXiaochenSupervisor：Prof.ZhangJunpingAcademicDegreeAppliedfor：DoctorofEngineeringSpeciality：InformationandCommun

3、icationEngineeringAffiliation：SchoolofElectronicsandInformationEngineeringDateofDefence：June,2018Degree-Conferring-Institution：HarbinInstituteofTechnology摘要摘要随着传感器技术的不断进步和计算机技术的广泛应用，传统单一类型的遥感数据已无法满足人们日益增长的应用需求，因此，多源遥感图像的综合利用成为了国内外学者的研究重点。由于不同谱段范围或不同分辨率的遥感图像反映了地物不同方面的属性或特征，因而充

4、分利用多源遥感图像之间的差异性和互补性，能最大限度地发挥多源遥感图像的优势。高光谱成像作为多源遥感图像中最为重要的技术手段之一，凭借其精细的光谱分辨率和“图谱合一”的特性，在地物分类和目标检测等方面展现了独特的优势。但是，高光谱图像在空间分辨率方面的不足，及其普遍存在的“同谱异物”和“同物异谱”等问题使其在很多情况下不能很好地解决高精度的分类问题。因此，论文以高光谱图像为核心，以高分辨率全色图像、多光谱、高光谱及红外高光谱等多源遥感图像的协同分类为主旨，从不同角度分析和探讨了高光谱图像在地物分类等实际应用中所面临的主要问题，对基于高光谱的多源遥感

5、图像的协同分类进行了深入的研究。论文工作对提高高光谱图像数据的利用与信息获取能力及其在遥感领域的推广应用等，具有重要的理论意义和研究价值。论文具体研究内容包含以下几个部分。首先，针对高光谱图像空间分辨率的不足，论文提出了一种基于光谱调制的高光谱图像分辨率提升方法。由于高光谱相比全色图像具有更高的光谱分辨率且覆盖了更宽的光谱范围，传统的多光谱全色图像融合方法效果并不理想。因此，论文从全色和多光谱图像融合入手，采用多层带间结构模型，结合非子采样轮廓小波变换，有效地增强了多光谱图像的空间细节信息。在此基础上，进一步研究了基于光谱调制的多光谱和高光谱图像

6、融合方法，并采用光谱解混方法，充分利用两类图像的光谱和空间信息，实现高光谱图像空间分辨率的提升，最后对增强后的高光谱图像进行了地物分类研究。实验结果表明，提出的方法能有效地减小融合图像的光谱失真，改善了图像的分类效果。其次，针对高光谱图像普遍存在的“同谱异物”和“同物异谱”现象，论文提出了一种基于半监督旋转森林的高光谱和全色图像协同分类方法。通过对全色图像采用面向对象的空间特征提取方法，弥补了仅用高光谱图像的光谱特征描述地物的不足。并对提取的空间、光谱特征利用基于随机子空间思想的集成学习方法进行分类，以解决多源图像在实际应用中，可能存在的特征冗余

7、、维数灾难等问题。在此基础上，针对现有旋转森林方法中主成分变换未能利用样本的类别信息，提出了半-I-哈尔滨工业大学工学博士学位论文监督旋转森林方法，有效地提高了分类精度。四组仿真和实际数据的实验结果表明，提出的方法相比现有的集成学习和其它典型的分类方法，能更好地利用样本的类别属性和结构分布等信息，增强分类器的判别能力，获得更好的分类结果。特别地，针对高光谱图像分类中存在的小样本问题，论文提出了一种基于半监督自学习的高光谱和全色图像协同分类算法。由于遥感图像在获取过程中，普遍存在着训练样本少，人工标记代价高的问题，论文在分析了半监督学习和主动学习方

8、法各自特点的基础上，结合两者的优势，将高分辨率图像分割技术引入高光谱图像分类中，并利用分类器的预测结果，结合样本自身的空-谱特征，对样本