高光谱波段选择毕设论文.pdf

发布时间：2022-06-13 发布人：admin 分类：说明书资料大小：2.23M 资料格式：pdf 举报版权申诉

915954cb-a509-4dc1-8d5f-5ebd55849324.pdf-第1页.png

第1页 / 共50页

915954cb-a509-4dc1-8d5f-5ebd55849324.pdf-第2页.png

第2页 / 共50页

915954cb-a509-4dc1-8d5f-5ebd55849324.pdf-第3页.png

第3页 / 共50页

915954cb-a509-4dc1-8d5f-5ebd55849324.pdf-第4页.png

第4页 / 共50页

915954cb-a509-4dc1-8d5f-5ebd55849324.pdf-第5页.png

第5页 / 共50页

915954cb-a509-4dc1-8d5f-5ebd55849324.pdf-第6页.png

第6页 / 共50页

915954cb-a509-4dc1-8d5f-5ebd55849324.pdf-第7页.png

第7页 / 共50页

915954cb-a509-4dc1-8d5f-5ebd55849324.pdf-第8页.png

第8页 / 共50页

文本预览

摘要高光谱成像是将数字成像与光谱技术相结合，探测目标的二维几何空间与一维光谱信息，并将其获取到的高光谱分辨率的连续且窄的波段的图像数据称为高光谱图像。这项技术已成功应用于环境监测、农业、航天等领域。在高光谱图像中，精细的光谱分辨率使得波段间通常具有很高的相关性，造成了数据的大量冗余。因此波段选择作为数据降维的一种方法，在高光谱图像处理中是最为关键的步骤之一。波段选择的好坏直接关系到利用所选波段进行高光谱图像假彩色合成结果的优劣。基于图表示的波段选择方法是众多算法中最有效的方式之一，它把波段看作高维空间中的点，巧妙地利用聚类的思想找到最具有代表性且相互之间相关性较小的波段，大大提高了波段选择的效率。然而该方法在有噪声波段存在时不再适用。本文针对这一问题，首先介绍了高光谱图像的基本概念和原理，然后在基于图表示的波段选择方法的基础之上，证明了该方法在所选波段数目大于聚类个数的情况下会优先选入噪声波段，然后利用噪声对二阶微分算子敏感的特性，引入拉普拉斯算子对噪声波段进行处理，研究不受噪声影响的基于图表示的改进波段选择算法，并编写了相关的 Matlab 语言程序。最后利用真实高光谱遥感图像数据集所进行的实验结果验证了本文方法的有效性。关键词：高光谱图像波段选择假彩色合成图表示拉普拉斯算子

高光谱图像最优假彩色合成方法研究 ABSTRACT Hyperspectral imaging combines the digital imaging with spectroscopy, detecting the information of target’s geometric space and spectrum. The image obtained by a series of continuous and narrow bands with high spectral resolution is called hyperspectral image. It has been successfully applied to environmental monitoring, agriculture and aerospace, etc. In terms of hyperspectral image, the bands are usually highly correlated due to the spectrum resolution, which leads to great redundancy in hyperspectral data sets. Therefore, band selection used as an approach for dimensionality reduction is one of the most important steps in hyperspectral image processing. The correctness of the band selection is directly related to the result of false color composite of hyperspectral image. The graph representation based band selection(GRBS) is one of the most effective ways to solve this problem, which greatly improves the efficiency of band selection by interpreting bands as the nodes of a graph in high-dimensional space. It can find the most representative and interrelated bands using the idea of clustering tactfully. However, it is no longer applicable when noisy bands exist. As to above problem, this paper firstly introduces the basic principle of hyperspectral image, then on the basis of GRBS, we prove that GRBS tends to select noisy bands when the number of selected bands is larger than the number of clusters. In order to solve this issue, the Laplace operator is introduced for processing and propose the algorithm termed improved graph-represented band selection(IGRBS). Also, we have made up the relevant Matlab language program. Finally, we verified the validity of this method by using real hyperspectral image data. Keywords: Hyperspectral image Band selection False color composition Graph representation Laplace operator 2

高光谱图像最优假彩色合成方法研究目录第一章绪论 ................................................................................................................. 6 1.1 研究背景及意义................................................................................................ 6 1. 2 国内外研究现状综述........................................................................................ 7 1.3 本文研究内容、创新点和预期成果................................................................ 8 1.4 本文主要内容安排............................................................................................ 9 第二章高光谱遥感原理与分析 ............................................................................... 10 2.1 引言.................................................................................................................. 10 2.2 高光谱遥感基本原理...................................................................................... 10 2.3 高光谱图像数据表示及特性分析.................................................................. 11 2.3.1 高光谱数据表示方式.............................................................................. 11 2.3.2 波段间的相关性...................................................................................... 12 2.3.3 休斯(Hughes)现象 ................................................................................... 12 2.3.4 高光谱数据特性分析小结...................................................................... 13 2.4 本文实验数据的选取...................................................................................... 14 第三章基于图表示的波段选择算法(GRBS) ........................................................... 15 3.1 引言.................................................................................................................. 15 3.2 GRBS 算法描述 .............................................................................................. 15 3.2.1 GRBS 准则函数 ...................................................................................... 15 3.2.2 参数的选取.............................................................................................. 17 3.2.3 GRBS 实验结果 ...................................................................................... 18 3.3 噪声波段对 GRBS 影响分析 ......................................................................... 19 3.3.1 情形一证明.............................................................................................. 19 3.3.2 情形二证明.............................................................................................. 21 第四章改进的图表示波段选择算法(IGRBS) ......................................................... 25 4.1 引言.................................................................................................................. 25 3

高光谱图像最优假彩色合成方法研究 4.2 IGRBS 算法描述 ............................................................................................. 25 4.2.1 噪声波段对拉普拉斯算子的响应.......................................................... 25 4.2.2 IGRBS 准则函数 ..................................................................................... 27 4.3 利用图像边沿降低计算量.............................................................................. 28 4.4 IGRBS 实验结果 .............................................................................................. 32 4.4.1 IGRBS 去噪实验 ..................................................................................... 32 4.4.2 IGRBS 选择波段进行假彩色合成 ......................................................... 33 4.4.3 IGRBS 分类精度测试 ............................................................................. 38 第五章结论与展望 ................................................................................................. 40 5.1 研究结果总结.................................................................................................. 40 5.2 研究展望.......................................................................................................... 40 致谢 ......................................................................................................................... 42 参考文献 ..................................................................................................................... 43 附录 ......................................................................................................................... 45 4

高光谱图像最优假彩色合成方法研究第一章绪论 1.1 研究背景及意义在传统的黑白图像中，人们知道灰度级代表了光学特性的差异，因此可以用来分辨不同的材料。随着成像技术的发展，出现了多光谱成像，最早的星载图像传感器例如 LandSat 卫星上搭载的 Thematic Mapper，以离散的几种颜色或者说几个波段来对地球成像。通过选择一些颜色的滤波片来成像可以提高对土壤、矿石、特殊农作物等的辨识能力。随着光谱分辨率的提高，在 20 世纪 80 年代初出现了高光谱成像技术[12]，人类第一个星载高光谱成像器包含了 384 个波段，并且搭载在 Lewis 卫星上于 1997 年在 NASA 发射升空。目前高光谱成像技术已经发展到了可见和红外成像光谱仪(AVIRIS)，也是最早诞生与 NASA 的 JPL 中心。高光谱图像由于能够展现不同材料的光谱特性，因此最初在军事上具有很高的应用价值。它能够根据目标与伪装物光谱特性的不同从而发现真正的目标，并且由于每种物质都有自身独特的光谱曲线，所以它不仅可以探测目标的光谱特性，还能识别其物质成分，这在探测核生化武器或是探测工厂排放物时有很广泛的应用。而且由于高光谱传感器是一种被动传感器，所以它在探测目标时也并不需要发射对方也能接收到的信号。目前，高光谱技术已经打破了最初在军事应用上的局限，开始在民用领域例如精准农业生产，特别是作物长势评估、灾害监测等方面投入应用，利用高光谱图像数据能准确反应出作物本身的光谱特征及作物之间的光谱差异，可以更精准地获取一些作物信息，如作物含水量和叶绿素含量等生态物理参数，从而预测作物的长势和产量。虽然高光谱图像具有较高的光谱分辨率，但是同时也具有数据量大并且数据维数高的特点，例如在遥感实验中广泛应用的数据集 Indian Pines，就具有 220 个连续波段，每个波段的图像空间分辨率为 145×145。这样大的数据量和较高的数据维数不仅给图像的传输和存储带来了困难，也给高光谱图像的处理带来了巨大的挑战。因此对高光谱数据进行降维处理，即特征提取或者特征选择，从上百个 5

高光谱图像最优假彩色合成方法研究波段中提取出需要的信息是很有必要的。对于高光谱图像而言，特征提取将原始特征空间映射到维数较低的空间中会使得新的特征不再具有原始的物理意义[1]。因此特征选择[2]，即从全部波段中选择一个波段子集来达到降维的目的也被称为波段选择，由于其保留了原始信息的物理意义而被广泛应用。用选择的波段进行高光谱图像假彩色合成不仅在地物分类、目标检测等方面有重要的研究价值，对高光谱图像的进一步应用也具有重要的理论和实际意义。 1.2 国内外研究现状综述通常波段选择算法可以被分为两类，分别是有监督[13]的和无监督[14]的方法。有监督的算法需要一些先验信息例如训练样本和目标的标签，然而对于高光谱图像来说，收集可靠的训练样本不论是在时间还是资金方面都很昂贵，因此在实际中这种方法通常并不可行[9]。所以对任何类型目标都具有良好性能的无监督波段选择算法更加受到人们的重视，本文也致力于研究无监督的波段选择方法。近年来出现了很多无监督波段选择算法，其中一些方法是基于波段优先级[15] 的，通过对单个波段定义一些标准，然后按照每个波段对应的标准值的高低进行排序。例如基于信息散度的波段选择算法(IDBS)[3]就是根据波段偏离对应的高斯分布的距离来区分波段优先级顺序的，虽然 IDBS 因为不需要子集搜索[16]步骤而具有很高的效率，但是由于相似的波段具有十分接近的标准值，所以 IDBS 所选的波段通常具有较高的相关性[17]。另外一些考虑了降低波段间相关性的方法，例如最佳指数因子(OIF)[18]，最大椭球体积(MEV)[19]，基于正交子空间投影的波段选择方法(OSP-BS)[4]和约束波段选择(CBS)[20]。与基于优先级顺序的方法不同，这些方法通过组合优化来搜索最佳的波段组合，但是这类方法通常具有很高的计算复杂度。例如从端元提取方法(OSP)[21]的思想中衍生出的 OSP-BS[22]算法，采用线性预测[23]来评估单个波段与其余波段之间的相关性，它从最佳的双波段组合开始，然后选择具有最大重构误差的波段往双波段组合中逐个添加，直到选择了所需数量的波段，但是这个方法计算效率很低，因为它涉及到重复的最小二乘计算。另一方面，这些方法更倾 6

高光谱图像最优假彩色合成方法研究向于选择具有异常值的波段，而这些异常的波段通常严重受到噪声的干扰。近年出现一些新的方法，这些方法将无监督波段选择问题视为聚类[24]问题，试图选择靠近聚类中心的波段。例如 WaLuMi 用层次聚类[25]划分波段来最小化集群内方差并最大化集群间方差，其中互信息量[26]用于量化波段间依赖程度，从而减少波段间的数据冗余和无用的信息，但是这种方法一是容易受到噪声波段的影响，二是具有较高的计算复杂度。有一种将噪声波段的影响考虑在内的方法称为基于图表示的波段选择算法(GRBS)，它将基于组合优化的方法与基于聚类的方法结合了起来，虽然 GRBS 能找出各个聚类中心，但是它并不需要执行实际的聚类过程，相反，它根据定义的标准函数来选择波段，另外 GRBS 可以在不进行噪声估计的情况下对噪声波段进行一些处理。 1.3 本文研究内容、创新点和预期成果本文旨在通过研究一种高效并且不受噪声影响的波段选择算法，实现最优的高光谱图像假彩色合成，使高光谱图像后续处理如分类等在不影响精度的情况下提高效率。由于基于图表示的波段选择算法(GRBS)概念容易理解、标准函数形式较为简单、效率较高并且效果较好，进而被采用。本文具体研究方法就是在 GRBS 的基础上进行进一步的研究，针对原算法在进行噪声波段去除时过于依赖参数选取，并且在某些情况下反而会优先选取噪声波段的缺点，对算法进行了改进。首先从理论上证明了 GRBS 在当选择的波段数目超过聚类中心的个数，或者噪声波段比正常波段到其余波段的高斯距离大这两种情况下，GRBS 会优先选择噪声波段，此时合成的高光谱假彩色图像会严重受到噪声影响。针对这一问题，本文引入拉普拉斯算子，对每个波段的图像进行卷积运算求和，通过噪声波段对二阶微分算子响应大的特点来去除噪声波段，与此同时也增加了算法对异常值波段的鲁棒性。进行算法改进后需要进行实验验证。方法是选取三个应用最广泛的真是高光谱图像数据进行分类实验，验证改进算法在精度上的优越性。首先要分析去除噪声波段的必要性，方法是展示一种受噪声影响严重的波段选择算法(VGBS)所选波段的图像和人为去除噪声波段后进行波段选择所选波段的图像，分别进行假彩 7

高光谱图像最优假彩色合成方法研究色合成，直观地观察两组图像含燥程度。再用 GRBS 进行十五个波段的波段选择，列出所选波段，指出所包含的噪声波段从而证明该方法的局限性。最后用改进的 GRBS 进行实验，列出所选波段验证改进算法在去噪性能上的提升，并将三种算法的分类结果进行对比，验证改进算法在分类精度方面的优越性。 1.4 本文主要内容安排本文共分五章，每章内容如下：第一章介绍了高光谱遥感的研究背景和意义，以及高光谱遥感图像波段选择算法目前的发展现状，本文研究内容、创新点和预期成果。第二章介绍了高光谱遥感的基本原理，再引出它所获取到的高光谱图像的数据表示方式及数据特性，最后对本文所选用的实验数据集进行介绍。第三章对基于图表示的波段选择算法(GRBS)进行了简要的介绍，并用该算法进行实验选择波段，然后通过给出所选波段的灰度图像，表明了该算法会受到噪声波段的影响。最后从理论上证明了该算法在两种情况下确实会优先选入噪声波段。第四章对基于图表示的波段选择算法进行了改进，通过巧妙利用噪声对二阶微分算子的强响应性提出了一个新的指标，称为改进的图表示波段选择算法 (IGRBS)，并给出了 IGRBS 算法的准则函数，最后在三个真实的高光谱图像数据集上进行实验验证。第五章是结论与展望，对全文的研究内容和实验结果进行归纳分析。针对存在的问题，结合自己的思考，提出进一步的学习目标。 8

分享到：

赞收藏

资料库

高光谱波段选择毕设论文.pdf

相关推荐

课程资源

热门标签

最新资料