高光谱图像最优假彩色合成方法研究

目 录

第一章 绪论 6
1.1 研究背景及意义 6

1. 2 国内外研究现状综述 7
   1.3 本文研究内容、创新点和预期成果 8
   1.4 本文主要内容安排 9
   第二章 高光谱遥感原理与分析 10
   2.1 引言 10
   2.2 高光谱遥感基本原理 10
   2.3 高光谱图像数据表示及特性分析 11
   2.3.1 高光谱数据表示方式 11
   2.3.2 波段间的相关性 12
   2.3.3 休斯(Hughes)现象 12
   2.3.4 高光谱数据特性分析小结 13
   2.4 本文实验数据的选取 14
   第三章 基于图表示的波段选择算法(GRBS) 15
   3.1 引言 15
   3.2 GRBS 算法描述 15
   3.2.1 GRBS 准则函数 15
   3.2.2 参数的选取 17
   3.2.3 GRBS 实验结果 18
   3.3 噪声波段对 GRBS 影响分析 19
   3.3.1 情形一证明 19
   3.3.2 情形二证明 21
   第四章 改进的图表示波段选择算法(IGRBS) 25
   4.1 引言 25
   4.2 IGRBS 算法描述 25
   4.2.1 噪声波段对拉普拉斯算子的响应 25
   4.2.2 IGRBS 准则函数 27
   4.3 利用图像边沿降低计算量 28
   4.4 IGRBS 实验结果 32
   4.4.1 IGRBS 去噪实验 32
   4.4.2 IGRBS 选择波段进行假彩色合成 33
   4.4.3IGRBS 分类精度测试 38
   第五章 结论与展望 40
   5.1 研究结果总结 40
   5.2 研究展望 40
   致 谢 42
   参考文献 43
   附 录 45

1.3 本文研究内容、创新点和预期成果

本文旨在通过研究一种高效并且不受噪声影响的波段选择算法，实现最优的 高光谱图像假彩色合成，使高光谱图像后续处理如分类等在不影响精度的情况下 提高效率。
由于基于图表示的波段选择算法(GRBS)概念容易理解、标准函数形式较为 简单、效率较高并且效果较好，进而被采用。本文具体研究方法就是在 GRBS 的 基础上进行进一步的研究，针对原算法在进行噪声波段去除时过于依赖参数选取， 并且在某些情况下反而会优先选取噪声波段的缺点，对算法进行了改进。首先从 理论上证明了 GRBS 在当选择的波段数目超过聚类中心的个数，或者噪声波段 比正常波段到其余波段的高斯距离大这两种情况下，GRBS 会优先选择噪声波段， 此时合成的高光谱假彩色图像会严重受到噪声影响。针对这一问题，本文引入拉 普拉斯算子，对每个波段的图像进行卷积运算求和，通过噪声波段对二阶微分算 子响应大的特点来去除噪声波段，与此同时也增加了算法对异常值波段的鲁棒性。
进行算法改进后需要进行实验验证。方法是选取三个应用最广泛的真是高光 谱图像数据进行分类实验，验证改进算法在精度上的优越性。首先要分析去除噪 声波段的必要性，方法是展示一种受噪声影响严重的波段选择算法(VGBS)所选 波段的图像和人为去除噪声波段后进行波段选择所选波段的图像，分别进行假彩

色合成，直观地观察两组图像含燥程度。再用 GRBS 进行十五个波段的波段选 择，列出所选波段，指出所包含的噪声波段从而证明该方法的局限性。最后用改 进的 GRBS 进行实验，列出所选波段验证改进算法在去噪性能上的提升，并将三 种算法的分类结果进行对比，验证改进算法在分类精度方面的优越性。

1.4 本文主要内容安排

本文共分五章，每章内容如下： 第一章介绍了高光谱遥感的研究背景和意义，以及高光谱遥感图像波段选择
算法目前的发展现状，本文研究内容、创新点和预期成果。 第二章介绍了高光谱遥感的基本原理，再引出它所获取到的高光谱图像的数
据表示方式及数据特性，最后对本文所选用的实验数据集进行介绍。 第三章对基于图表示的波段选择算法(GRBS)进行了简要的介绍，并用该算
法进行实验选择波段，然后通过给出所选波段的灰度图像，表明了该算法会受到 噪声波段的影响。最后从理论上证明了该算法在两种情况下确实会优先选入噪声 波段。
第四章对基于图表示的波段选择算法进行了改进，通过巧妙利用噪声对二阶 微分算子的强响应性提出了一个新的指标，称为改进的图表示波段选择算法 (IGRBS)，并给出了 IGRBS 算法的准则函数，本文转载自http://www.biyezuopin.vip/onews.asp?id=12496最后在三个真实的高光谱图像数据 集上进行实验验证。
第五章是结论与展望，对全文的研究内容和实验结果进行归纳分析。针对存 在的问题，结合自己的思考，提出进一步的学习目标。

function sel_list = IGRBS(him, num) [m, n, l] = size(him);

kernel = [0 -1 0; -1 4 -1; 0 -1 0];
bandResp = imfilter(him, kernel);

r =	squeeze(sum(sum(abs(bandResp), 1), 2)); r = r / max(r);
r = exp(-r.^2 / 0.1);

him_flat = reshape(him, [], l); rho = him_flat' * him_flat / m / n; E = exp(- (1 - rho) / 0.1);

d = sum(E, 2); d = d / max(d); s = r .* d;
s = s / max(s);

sel_list = zeros([num, 1]); [~, sel_list(1)] = max(s);

for i = 2: num
J = zeros([l, 1]); for j = 1: l
if isempty(find(sel_list == j, 1)) == 0 continue;
end
if s(j) < 0.2
continue;
end
tmp = sel_list(1: i); tmp(i) = j;
f1 = sum(s(tmp)); f2 = E(tmp, tmp); f2 = sum(f2(:)); J(j) = f1 / f2;
end
[~, sel_list(i)] = max(J);
end