基于流形學習的高光譜遙感影像特征提取算法研究

1.94萬字 40頁 原創(chuàng)作品，通過查重系統(tǒng)

摘 要
高光譜遙感影像數(shù)據(jù)憑借對地物細致的分類和識別迅速成為遙感應用領(lǐng)域的熱點，具有廣闊應用開發(fā)前景。高光譜遙感影像的數(shù)據(jù)中，豐富的光譜信息為遙感地物分類乃至識別提供了基礎(chǔ)，然而光譜信息的增加，是建立在波段增多的基礎(chǔ)上的，這也就必然導致了整體數(shù)據(jù)信息冗余度的增加以及數(shù)據(jù)處理復雜度的提高。因此，在對高光譜遙感影像進行處理、分析之前，降維變得尤為必要。而流形學習作為近年來出現(xiàn)的一種新的降維方式，它采用非監(jiān)督學習方法 引起越來越多高光譜遙感應用學科工作者的重視。因此，本文主要對基于流形學習的高光譜遙感影像的降維方法進行研究，主要研究內(nèi)容包括：
1)分析了高光譜遙感影像的成像方式以及數(shù)據(jù)結(jié)構(gòu)，詳細介紹了兩種不同的高光譜遙感圖像降維方式，對最近熱門的流行學習這一方式如何運用到降維中去，進行了詳細的描述，并介紹了相關(guān)的研究現(xiàn)狀。
2)在對高光譜遙感影像數(shù)據(jù)的處理過程進行詳細分析的基礎(chǔ)上，將流形學習的思想引入高光譜影像的降維過程，通過流形學習的方法，發(fā)現(xiàn)高維數(shù)據(jù)集分布的內(nèi)在規(guī)律性將觀測空間卷曲的流行進行有效的展開，實現(xiàn)對高光譜遙感影像的特征提取，進而降低影像維度。
3)研究了流形學習的主要算法，對其中的幾種經(jīng)典算法做了詳細的介紹，并將Isomap算法應用于高光譜影像的降維，比較了降維之后分類與不降維分類精度的差別，實驗結(jié)果表明流形學習在高光譜遙感影像降維中的有效性和可靠性。



關(guān)鍵詞：高光譜遙感影像，流形學習，降維算法，特征提取，等距映射算法