基于峰值密度聚類的高光譜圖像分析方法研究.pdf

1、高光譜圖像包含豐富的空間信息和光譜信息，具有圖譜合一的特點(diǎn)?？臻g信息中的每個(gè)像元，在數(shù)百個(gè)波段上形成的連續(xù)光譜信息特征，是完成圖像分析的重要依據(jù)。高光譜圖像整合物體空間的幾何特征與光譜的類別屬性對(duì)地物探測(cè)、目標(biāo)識(shí)別等領(lǐng)域的研究具有重要價(jià)值。研究高光譜圖像分析方法，不論是篩選高質(zhì)量波段圖像，還是精細(xì)探測(cè)地物類型，以及地物屬性分類，都為高光譜圖像信息的深入挖掘和量化分析提供有效途徑。
　　高光譜圖像的分析方法主要包括：波段選擇、端元提

2、取、地物分類。波段選擇是高光譜圖像的預(yù)處理步驟，選擇高信噪比波段圖像，去除冗余信息是精確處理的重要保證。端元提取確定高光譜圖像中純凈的地物類別光譜，是混合像元在亞像元完成目標(biāo)探測(cè)的重要步驟，所提取的端元光譜對(duì)分類及識(shí)別精度有重要影響。地物分類完成同類別地物的區(qū)域劃分，為決策規(guī)劃提供依據(jù)。
　　傳統(tǒng)高光譜圖像分析方法欠缺空間信息和光譜信息間的有機(jī)結(jié)合，缺乏確定高光譜圖像分析時(shí)波段數(shù)目、端元數(shù)量、地物類別的參數(shù)化指標(biāo)。針對(duì)以上缺點(diǎn)，本

3、文創(chuàng)新性地提出基于峰值密度聚類算法的高光譜圖像分析方法，利用算法得出的參數(shù)化指標(biāo)，依次完成波段選擇、端元提取、地物分類的高光譜圖像分析。引入超像元分割算法，提升高光譜圖像空間信息與光譜信息的利用率，降低算法運(yùn)算負(fù)擔(dān)，增強(qiáng)全局優(yōu)化能力，系統(tǒng)性研究高光譜圖像分析方法。
　　本文在第一章高光譜遙感研究概述的基礎(chǔ)上，圍繞高光譜圖像分析技術(shù)，開展波段選擇、端元提取、地物分類三方面論述。第二章討論經(jīng)典聚類方法的不足，闡明峰值密度聚類與超像元分

4、割算法的優(yōu)勢(shì)。借鑒國內(nèi)外研究進(jìn)展，提出創(chuàng)新性的技術(shù)路線和研究思路。從本文的第三至第五章開始，各章節(jié)以算法原理，實(shí)驗(yàn)數(shù)據(jù)，評(píng)價(jià)指標(biāo)，分析討論的整體框架，分別對(duì)應(yīng)波段選擇、端元提取和地物分類的高光譜圖像分析方法展開研究?？傮w來說，本文在高光譜圖像分析中取得如下進(jìn)展：
　　(1)針對(duì)高光譜相鄰波段圖像之間信息相關(guān)性強(qiáng)，冗余度大的問題。提出一種基于峰值密度聚類的波段選擇算法。該方法在選擇波段的數(shù)量方面，提出輔助性參數(shù)化方案。通過確定的波段

5、數(shù)量，利用高光譜圖像波段之間的相關(guān)性，劃分出信息量相關(guān)的波段圖像子集，提取以上子集的峰值密度聚類特征，構(gòu)建組合特征的高光譜圖像，并采用支持向量機(jī)完成地物分類。該方法通過參數(shù)指標(biāo)確定選擇波段數(shù)量，成功去除高光譜相鄰波段圖像的冗余信息對(duì)分類效果的干擾，克服算法收斂慢、全局優(yōu)化能力弱的缺陷，提升波段選擇效果。
　　(2)本文在綜合經(jīng)典端元提取算法思想的基礎(chǔ)上，提出基于峰值密度聚類的端元提取算法。該方法利用線性光譜混合模型，結(jié)合混合像元光

6、譜在高維空間上的分布特點(diǎn)，估計(jì)端元數(shù)目篩選純像元光譜，解決端元提取算法中端元數(shù)目估計(jì)問題。
　　(3)在地物分類方面，針對(duì)目前大多數(shù)算法利用高光譜圖像空間信息不足的缺點(diǎn)，提出整合超像元分割和峰值密度的高光譜圖像聚類算法。使超像元作為峰值密度算法的最小聚類單位，利用圖像形態(tài)學(xué)特征減少高光譜圖像數(shù)據(jù)量，排除異常像元的干擾。該方法不僅減輕算法運(yùn)算負(fù)擔(dān)，同時(shí)確定地物的類別數(shù)量，提升聚類精度。
　　最后，第六章對(duì)全文工作進(jìn)行總結(jié)，并指