论文部分内容阅读
高光谱遥感是遥感信息系统中的一项新技术。与传统的多光谱技术相比,高光谱遥感影像将传统的空间图像维信息与反映地物辐射特性的光谱维信息有机的融为一体,使其在地物目标的定量分析和精细检测方面表现出巨大的应用潜力。然而,高光谱影像数据具有高维、海量数据的特点,存在波段数目众多、数据冗余严重、计算量大等问题,这对相应的影像处理技术提出了较高的要求。异常目标检测和影像分类是高光谱影像处理的两个关键技术,对于资源调查、环境监测、精细农业、军事测绘与战场环境探测等应用具有重要意义。本论文以高光谱影像分类与异常目标检测作为两个主要的研究内容,主要完成工作如下:(1)论文阐述了高光谱遥感影像数据的描述模型,进而分析其数据特性,在此基础上,着重介绍了高光谱影像分类与异常目标检测技术。针对高分辨率影像的数据特点,分析了运用数据融合技术,来优化高光谱影像地物检测性能的方法。(2)提出了一种基于AdaBoosting的高光谱遥感影像分类技术。针对高光谱遥感影像的数据特性,采用MNF(最小噪声分离变换)特征提取的方法对高光谱影像进行去噪和降维预处理,选择了以决策树桩作为弱分类器,通过AdaBoosting算法将其提升至强分类器。通过AVIRIS92AV3高光谱数据的实验结果表明,该分类算法具有可行性与有效性。(3)应用AdaBoosting算法进行高光谱目标识别。本文选择了GentleAdaBoost算法作为高光谱影像的检测器,结合像素级影像融合的方法,对高光谱影像进行目标识别。通过对三组实测场景数据的实验分析表明,该算法在解决高光谱影像目标识别任务具有一定的实用性与有效性。(4)采用RX(Reed-Xiaoli)算法进行高光谱影像异常检测。针对常规RX异常检测算法存在的问题,提出了空域滤波与RX算子相结合的方法,提升RX检测目标的性能。重点研究了数据融合方法在高光谱影像异常检测中的应用,并提出了决策规则融合与RX算子相结合的异常检测算法。通过仿真实验表明,这两种方法具有可行性与有效性。