高维遥感数据分类方法研究.docVIP

本科毕业设计 （2014届） 题 目 高维遥感数据分类方法研究 学 院 自动化 专 业 自动化 班 级 学 号 学生姓名 马俊 指导教师 郭宝峰 完成日期 2014年5月ABSTRACT In this paper, focusing on support vector machine based on neural networks and hyperspectral image classification. Experiments using the AVIRIS taken in June 1992, Indiana, USA, India pine forest hyperspectral data 92AV3C. Support vector machine-based learning theory and neural networks, and the two methods for hyperspectral image classification experiments. Both methods study the advantages and disadvantages in the classification process, in which the number of training samples by changing the number of training samples to study the effects on the classification accuracy. In SVM classification experiment, the penalty factor and nuclear parameters by changing two parameters to study the effects on the classification accuracy. Index Terms: Hyperspectral imageclassification;Neural Networks;support vector machines (SVMs); Training samples 目录 摘要 1 ABSTRACT 1 第一章 绪论 1 1.1 研究背景 1 1.2 国内外研究现状 1 1.2.1高光谱遥感分类的研究现状 1 1.2.2支持向量机的研究现状 2 1.2.3神经网络的研究现状 2 1.3 本文的主要内容和组织结构 2 第二章 高光谱图像分类概论 4 2.1 引言 4 2.2 高光谱遥感图像的形成与数据特点 4 2.2.1 高光谱遥感图像的形成 4 2.2.2 高光谱图像的数据表达 5 2.3 支持向量机理论 5 2.3.1 支持向量机模型 5 2.3.2 支持向量机数学形式 6 2.4 神经网络理论 8 2.4.1 神经网络的组成和特点 8 2.4.2 神经网络工作原理 8 第三章 高光谱图像分类仿真实验 10 3.1 高光谱图像分类流程 10 3.2 实验数据概述 11 3.3 基于支持向量机遥感图像分类 12 3.3.1 支持向量机分类流程 12 3.3.2 实验程序 13 3.3.3 实验结果 16 3.4 基于神经网络遥感图像分类 21 3.5 实验分析 22 第四章 总结和展望 23 4.1 总结 24 4.2 展望 24 致谢 25 参考文献 26 第一章 绪论 1.1 研究背景 高光谱遥感被叫做成像光谱遥感。高光谱遥感可以形成更完整的光谱数据，因为高光谱遥感具有更细更多的谱段。如今研究人员可以通过对光谱数据进行分析，来获得感兴趣区域的大量信息，从而完成不接触物体也能对物体进行检测。随着科学技术的发展，高光谱技术建立了一系列的现代科学技术的重要进展。 图1.1 遥感原理[1] 过去几年的高光谱遥感技术在国内的发展也非常迅速，获得了让人嗔目的成绩，我国在高光谱遥感领域也有了重大的突破，在近几年中相继成功研制出航空成像光谱仪(OMIS)系列、机载成像光谱、以及星载高光谱成像光谱仪(C—HRIS)等[1]。目前，我国研制的224波段的推扫高光谱成像仪(PHI)与128波段的实用型模块化机载成像光谱仪(OMIS)经进行了多次成功的航空遥感实验[2]。但就目前的遥感技术发展状况来看，遥感数据的处理技术已经远远落后于硬件技术的迅猛发展，面对如此海量的光谱遥感信息，现阶段的信息处理技术还远不能满足现实的需要。美国国会已经指责美国宇航局：“遥感到目前为止积累数据，95%从未见过。” 这显示了如何使遥感数据得到有效利用是一个亟待解决的问题[3]。 1.2 国内外研究现状 1.2.1高