论文总字数：20939字

目 录

摘要 II

Abstract III

1绪论 1

1.1研究背景和意义 1

1.2国内外研究现状 1

2材料与方法 2

2.1数据来源 2

2.2研究方法 2

2.2.1主成分分析（Principal Components Analysis，PCA） 3

2.2.2最大噪声分离变换（Maximum Noise Fraction，MNF） 4

2.2.3独立成份分析（Independent Components Analysis） 4

2.3实验步骤 5

2.3.1 FLAASH大气校正 5

2.3.2图像变换 7

2.3.2.1最大噪声分离变换（MNF） 7

2.3.2.2主成分分析（PCA） 7

2.3.2.3独立成分分析（ICA） 7

2.3.3计算与提取纯净像元指数 8

2.3.4 N维可视化与端元选择 8

2.3.4.1 N维可视化 8

2.3.4.2端元波谱识别 8

3结果与分析 8

3.1大气校正分析 8

3.2图像变换分析 9

3.2.1 RGB合成分析 9

3.2.2变换结果 10

3.2.2.1特征值分析 10

3.2.2.2变换后各成分分量分析 11

3.2.3端元波谱识别分析 13

3.3图像分类结果分析 16

4结论与展望 17

参考文献 18

致谢 20

基于MNF特征提取的高光谱影像分类

——以Cuprite地区为例

王晗

，China

Abstract：The sepectrum image which spectral resolution within 10^-2 orders of magnitude is called the hyperspectral image.The narrow and more bands compares with multispectral bring clearer image and more information of data,but the dimension disaster comes at the same time.As for this,the dimension of hyperspectral processing plays an important role in image classification.This paper use AVIRIS data as the research sample,process the image and remove the water vapor in spectral bands effectively depands on the methods of FLAASH atmospheric correction model,then use feature extraction methods of MNF,PC,IC to do the data dimension reduction processing,and treat the classify result as the standard of dimension reduction effect.The results show that do dimension work for samples reduces the amount of calculation of subsequent operation more or less,and use the data information more efficiently.Spectral matching precision can be better after MNF transform,and PC transform has the worst matching precision.The phenomenon of “same object different spectrum” is obvious after three transform processing,so the methods of dimension reduction remains to be further optimized.

Key words：Hyperspectral data；FLAASH；MNF；dimension reduction；classify

1绪论

1.1研究背景和意义

遥感技术的发展和应用是20世纪最具标志性的科学技术成就之一。高光谱成像技术，兴起于20世纪80年代，是一种新型成像技术，由于其具有很高的光谱分辨率，且能够提供丰富的地球表面信息，故受到国内外学者的关注与广泛应用，在我国遥感领域中也占有非常重要的位置，无论在航空领域还是航天领域，都有我国优秀科学家研制和发展的高光谱系统。

所谓高光谱分辨率遥感（Hyperspectral Remote Sensing，HRS）是指利用很多很窄的电磁波波段(通常lt;10nm)从感兴趣的物体获得有关数据^[1]。传统单波段遥感、多光谱遥感在波段数以及波段范围方面具有一定的局限性，高光谱遥感以其相对较窄波段区间与较多的波段数，使其成像光谱仪在可见光波段与近红外光谱区间内可以得到数十甚至数百波段^[2]。特别的，高光谱遥感波段连续，能产生完整并且连续的光谱曲线，这也是高光谱遥感与传统遥感之间的主要区别。综上，高光谱遥感具有超高精度的分辨率，能清晰反映地物特征，可提供空间域信息与光谱域信息，达到“图谱合一”的效果。

但是在分辨率提高的同时，由于波段连续，波段之间的相关性大大提高，相邻波段有重叠的部分，由此产生大量的信息冗余。且由于高光谱遥感波段多，其数据量呈指数增加，为后期数据处理以及制图产生影响。例如Indian Pines高光谱数据，其空间分辨率可达145×145，共有220个波段，庞大的数据量为应用人员存储数据与传输数据都带来了巨大的挑战。面对如此多波段，如何处理海量的光谱图像数据，从中提取有利信息，成为目前遥感领域的研究热点^[3]。因此需要先对数据降维，用较少的综合变量来代替原来较多的变量，而这几个综合变量要尽可能多的反映原来的变量信息，由此更加有利于数据的可视化和对数据的理解与解译^[5]。

在高光谱图像精细分类中，噪声对于分类结果有着最直接的影响^[4]。本文立足于高光谱的优点与不足，以高光谱降维作为研究的切入点，以Cuprite地区的高光谱图像为例，基于ENVI软件对高光谱图像降维的方法做一定的讨论。

1.2国内外研究现状

近几十年来，国内外对于高光谱降维内容的研究不断增多。专家们积极提出方法，最大限度的突出高光谱地物信息丰富的特点。例如，Chang研究得出在整体分类精度保持不变的情况下，最大限度可有94％的光谱波段可被剔除^[6]。由此，在对地物进行识别与分类之前，一般要对高光谱数据预先进行降维处理，以保留有“价值”信息（以便进一步对高光谱数据进行分类识别），减少冗余的信息，提高地物的识别与分类的效率。

目前，众多的特征提取方法陆续被提出并成功应用于高光谱数据降维研究，如最小噪声分离变换（Minimum Noise Fraction,MNF）^[7]、主成分分析（PCA）^[8]、小波变换、投影寻踪^[9]、独立成分分析（Independent Component Analysis, ICA）、典型分析（Canonical Analysis, CA）、线性判别分析等。同时还有一部分专家实现了高光谱数据非线性特征的提取，借助核技巧与核技术，核化传统的线性技术，例如Yang提出的Fisher判别分析法在实际中也多有应用^[10]，Fauvel与Bai等分别提出了核PCA与核ICA的降维方法。但是，基于核化的特征提取方法常常依赖隐式映射，对于使用该方法的应用人员不能够直观理解方法的工作原理，且核的选择与最优核参数的配置暂无可信的理论依据，因此其应用较为小众。还有一类非线性特征提取技术为基于“流形学习”的非线性降维方法，例如罗琴等提出了局部线性嵌入的方法^[11]。而本文主要研究（全局的）线性方法中的MNF、PC与IC三种方法，它们有较高的应用价值，应用范围广泛，其原理将在后文做详细论述。

2材料与方法

2.1数据来源

高光谱遥感技术的主要应用领域为矿产勘探与区域地质制图，同时也是高光谱遥感应用最为成功的领域。从二十世纪八十年代初期开始，本研究的实验区域Cuprite地区就已经被JPL和其他的一些机构选作为遥感应用的测试点。

本实验选用2011年美国内华达州Cuprite地区平场域纠正法所得的表观反射率数据CupriteAVIRISSubset.dat，共224个波段（整型）。采集自航空可见光/红外成像光谱仪（Airborne Visible/Infrared Imaging Spectrometer,即AVIRIS）所得影像数据。搭载AVIRIS传感器的是IKONOS卫星，该卫星于1999年9月24日发射成功，是世界上第一颗提供高分辨率卫星影像的商业遥感卫星，其轨道高度为681千米，重访周期为3天。IKONOS可采集1米分辨率全色和4米分辨率多光谱影像，同时全色和多光谱影像可融合成1米分辨率的彩色影像，并且可从卫星直接向全球12地面站地传输数据。研究区域采集的图像数据分辨率为4米。

2.2研究方法

特征选择与特征提取是高光谱数据降维操作中常用的两种方法。前者是未进行变换的操作，而直接从原始的波段中选择能为研究所使用的相关有效波段；后者是提出一种函数变换，使原始波段在经过这种函数变换后，得到新的波段，从而达到与前者相同的提取有效波段的目的。二者都可以提高图像特征提取或者图像分类的速度与效率。本文主要讨论最大噪声分离降维方法（Minimum Noise Fraction,MNF）、主成分分析（Principal Components Analysis，PCA）与独立成分分析（Independent Component Analysis, ICA），这三种方法皆基于特征提取而提出的，是通过函数分别对图像进行变换达到降维目的，从而对图像分类精度产生影响，通常用分类精度来对三种降维方法进行评价。

2.2.1主成分分析（Principal Components Analysis，PCA）

为了更好的提取高光谱图像的特征提出了高光谱降维的思想，由此可利用低维度数据更加有效充分的表达高维数据的特征，同时使数据量大大压缩，明显提高操作过程中信息提取的速度。主成分分析（PCA）是一种最基础的高光谱数据的降维方法，应用非常广泛，在多光谱遥感等传统遥感的分析中都有很好的处理效果，尤其在高光谱数据的压缩、去除波段的相关性、消除噪声与提取特征领域中都发挥了非常巨大的作用^[12]。PCA变换又名霍特林变换（Hotelling Transform）或者K-L变换（Karhunen-Loeve），是一种典型的线性变换，主要有正变换和反变换两部分组成，若要使压缩后的数据重新复原，则可以经过反变换而近似得到。

PCA对原始数据进行处理，通过线性变换，获得的变量维数降低，这一组变量也可称之为一组主成分，可视作一组独立变量。

剩余内容已隐藏，请支付后下载全文，论文总字数：20939字

相关图片展示：