蚁群算法在高光谱图像降维和分类中的应用研究

高光谱图像论文 蚁群算法论文 降维论文
论文详情
高光谱遥感数据提供的丰富地表信息使得高光谱遥感的应用越来越广泛,如何充分地利用这大量的信息,以及如何在如此大量的信息中提取有用信息,并使这些信息能够为我们的应用服务,是摆在研究者面前的重要课题。降维和分类是高光谱图像处理中的两个关键技术。无论是高光谱图像的降维,还是高光谱图像的分类,其根本都是要从大量的高光谱数据中提取出能够满足人们需要的特定或要求的信息,而这些信息的提取综合起来都可以说是一个信息的组合优化处理过程。蚁群算法作为一种群智能仿生优化新技术,其突出特点是自组织性、鲁棒性、并行性,非常适合于求解非确定性的离散组合优化问题。本文在分析高光谱图像的光谱分辨率特性、空间相关性、谱间相关性、数据维、信息量等特性的基础上,重点分析了蚁群算法在高光谱图像处理中的应用,证明了蚁群算法完全适用于高光谱图像的降维和分类处理。高光谱图像的降维包括波段选择和特征提取两种方式。本文提出一种基于蚁群算法的高光谱图像波段选择方法,以解决最优波段选择算法复杂度高,计算量大的问题。将每个波段看作是蚂蚁觅食时所经过的节点,选取不同的评价函数作为蚂蚁选择路径的依据,应用蚁群算法选择出多次搜索中最优的一组波段组合。蚂蚁寻找最优路径的过程,就是最优波段组合的形成过程。通过蚁群算法从众多的光谱波段中挑选出能够反映地物光谱空间分布的特征波段,形成降维的波段子空间达到了降低高光谱图像数据维的目的。接着,利用高光谱图像高度相关的波段成组出现的特点,提出一种基于蚁群算法的高光谱图像子空间分解方法,在子空间中采用特征变换的方式降低高光谱特征空间的维数。该方法同样将波段作为蚂蚁觅食时经过的节点,蚂蚁依据波段之间的相关性来决定路径的选择,蚂蚁经过优化搜索之后将高维高光谱数据空间分解为几个较低维的数据子空间,再采用传统的主成分分析方法在子空间中提取有效特征,进而实现对高光谱图像的降维。高光谱图像的分类方法包括监督分类和非监督分类两种。本文提出一种基于蚁群算法的高光谱图像监督分类方法。该方法先依据图像的信息熵将高光谱图像各个波段的单幅图像中的灰度属性分段离散化,然后将这些离散化的灰度属性作为条件项并集合到一起形成一个备选条件项数据集。在训练样本中,将高光谱图像各个波段数据经过离散化后形成的条件项当作蚂蚁的候选路径节点,用条件项的信息熵作为蚂蚁路径转移的启发函数。经过蚂蚁的迭代搜索,每只蚂蚁都构造出一条分类规则,通过信息素浓度的调整,将蚂蚁们构造的规则中质量较好的规则保留下来,而质量不好的规则则在搜索过程中逐渐被淘汰。在所有训练用的地物类别都被归类之后,最终形成用于分类的分类规则。最后,提出一种基于蚂蚁化学识别系统的蚁群聚类算法。该聚类算法依据蚂蚁之间的相似程度来决定蚂蚁的类别归属,最终相似程度高的蚂蚁可以聚集成一类。在该算法中,遥感图像中的每个像素都被看作是一只蚂蚁,该蚂蚁所携带的信息除其所代表的像素点的各波段光谱信息外,还包括所属类别的标号,类别属性等信息。本文依据基于蚁群算法的高光谱图像波段选择方法获得的选择结果,从中提取若干个特征波段作为数据源,采用上述聚类方法进行实验,并与传统的k均值算法比较实验结果。为了客观地评价聚类结果的优劣,本文综合考虑了聚类算法本身的聚类性能,即类内距,类间距,以及聚类图像与标准图像的相关度,提出一种综合上述参数的聚类图像客观评价指标,并应用该指标对本文提出的聚类算法和传统的k均值算法所获得的图像作出了客观评价。
摘要第4-6页
Abstract第6-8页
目录第9-12页
Contents第12-15页
第1章 绪论第15-34页
    1.1 课题背景第15页
    1.2 高光谱遥感概述第15-24页
        1.2.1 多光谱遥感与高光谱遥感第15-18页
        1.2.2 高光谱遥感图像数据第18-19页
        1.2.3 高光谱遥感图像处理技术国内外研究现状第19-24页
    1.3 蚁群算法概述第24-31页
        1.3.1 蚁群算法的生物学背景第24-25页
        1.3.2 蚁群算法及其应用研究的国内外现状第25-31页
    1.4 课题研究目的和意义第31-32页
    1.5 本文主要内容及章节安排第32-34页
第2章 高光谱遥感图像特性与蚁群算法性能分析第34-53页
    2.1 高光谱遥感图像数据源第34-35页
    2.2 高光谱遥感图像的特性分析第35-46页
        2.2.1 高光谱图像的光谱分辨率特性第36页
        2.2.2 高光谱图像的数据维第36-38页
        2.2.3 高光谱图像的空间相关性第38-41页
        2.2.4 高光谱图像的谱间相关性第41-44页
        2.2.5 高光谱图像的信息量第44-45页
        2.2.6 高光谱图像特性总结第45-46页
    2.3 蚁群算法特性分析第46-52页
        2.3.1 蚁群算法构成第46-47页
        2.3.2 蚁群算法模型第47-48页
        2.3.3 蚁群算法的类型第48-50页
        2.3.4 蚁群算法的特点第50-51页
        2.3.5 蚁群算法收敛性第51页
        2.3.6 蚁群算法特性总结第51-52页
    2.4 本章小结第52-53页
第3章 蚁群算法在高光谱图像降维中的应用第53-75页
    3.1 高光谱图像降维的必要性第53-55页
        3.1.1 高光谱图像的冗余度第53页
        3.1.2 Hughes 现象产生原因第53-55页
    3.2 高光谱图像降维的可行性第55页
    3.3 高光谱图像降维的主要途径第55-56页
    3.4 蚁群算法在高光谱图像波段选择中的应用第56-64页
        3.4.1 波段选择的降维方法的两个重要方面第56-57页
        3.4.2 基于蚁群算法的高光谱图像波段选择原理第57-59页
        3.4.3 基于蚁群算法的高光谱图像波段选择实现第59-60页
        3.4.4 基于蚁群算法的高光谱图像波段选择实验第60-64页
    3.5 蚁群算法在高光谱图像特征提取中的应用第64-74页
        3.5.1 特征提取的降维方法第64页
        3.5.2 高光谱图像数据空间划分的必要性第64-66页
        3.5.3 基于蚁群算法的高光谱图像数据空间划分原理第66-67页
        3.5.4 基于蚁群算法高光谱图像数据空间划分方法实现流程第67-68页
        3.5.5 基于蚁群算法高光谱图像数据空间划分实验第68页
        3.5.6 子空间特征提取方法第68-71页
        3.5.7 实验结果第71-74页
    3.6 本章小结第74-75页
第4章 蚁群算法在高光谱图像分类中的应用第75-90页
    4.1 引言第75页
    4.2 基于蚁群算法的高光谱图像分类方法第75-85页
        4.2.1 常用高光谱图像分类方法第75-78页
        4.2.2 蚁群分类法的原理第78页
        4.2.3 特征离散化第78-81页
        4.2.4 分类规则的形成第81-85页
        4.2.5 规则修剪和分类第85页
    4.3 基于蚁群算法的高光谱图像分类实验第85-88页
    4.4 本章小结第88-90页
第5章 蚁群算法在高光谱遥感图像聚类中的应用第90-106页
    5.1 遥感图像聚类的过程第90-91页
    5.2 AntClust 算法第91-98页
        5.2.1 算法起源第91页
        5.2.2 AntClust 算法应用第91-93页
        5.2.3 AntClust 算法步骤第93-95页
        5.2.4 AntClust 算法聚类实验第95-98页
    5.3 改进的聚类图像质量综合评价方法第98-105页
        5.3.1 参与聚类图像质量评价的参数第98-101页
        5.3.2 聚类图像综合评价指标(CIQI)的构造第101-103页
        5.3.3 实验结果第103-105页
    5.4 本章小结第105-106页
结论第106-108页
参考文献第108-123页
致谢第123-124页
个人简历第124页
论文购买
论文编号ABS999245,这篇论文共124页
会员购买按0.30元/页下载,共需支付37.2
不是会员,注册会员
会员更优惠充值送钱
直接购买按0.5元/页下载,共需要支付62
只需这篇论文,无需注册!
直接网上支付,方便快捷!
相关论文

点击收藏 | 在线购卡 | 站内搜索 | 网站地图
版权所有 艾博士论文 Copyright(C) All Rights Reserved
版权申明:本文摘要目录由会员***投稿,艾博士论文编辑,如作者需要删除论文目录请通过QQ告知我们,承诺24小时内删除。
联系方式: QQ:277865656