遥感影像的EMP特征提取算法实现
时间:2018-08-28 21:11 来源:毕业论文 作者:毕业论文 点击:次
| 摘要遥感影像在军事侦察，精确打击以及民用方面都有重要的作用，遥感影像的EMP 特这提取算法是进行遥感影像自动识别的关键技术，因此开展遥感影像的EMP 特征提取研究工作具有实际意义和应用前景。本文首先总结了遥感影像特征提取方法的基本理论和算法。在此基础上，我们提出EMP 特征提取算法的概念，对基于 EMP 特征提取算法进行了研究分析。我们对一副遥感图像的数据进行处理，首先输入一个高光谱遥感数据集，由于其文数较高，试验中选取PCA 进行降文，本实验中，我们选取的文数为 4。接着对于每一个降文后的结果，使用 AP算法，得到高光谱图像的 AP 特征，将得到的 4 个 AP 特征进行串联后形成 EMAP特征。其次根据得到的EMAP 特征结果，我们使用SVM 分类器进行分类。最后对SVM 分类过程中出现的变量和最后的结果进行分析。27581 毕业论文关键词 遥感影像 EMP 特征提取算法 Title EMP feature extraction algorithm for remote sensing image Abstract Remote sensing image in military reconnaissance, precision strikes and civil areashave an important role, the remote sensing image of the EMP special this extractionalgorithm is the key technology of the remote sensing image auto recognition.Therefore, to carry out the EMP features of remote sensing image extraction researchhas practical significance and application prospects. This paper firstly summarizes thebasic theory and algorithm of remote sensing image feature extraction.. On this basis,we propose the concept of EMP feature extraction algorithm, and analyze thealgorithm based on EMP feature extraction.. Our data on a pair of remote sensingimage processing, first enter a hyperspectral remote sensing data sets, because of itshigh dimension, the test selected PCA to reduce the dimensionality, in this experiment,we select the dimension of 4. Then, after each dimension reduction, the AP feature ofthe high spectral image is obtained by using the AP algorithm, and the 4 AP featuresare formed after series EMAP.. Secondly, according to the result of the EMAP feature,we use SVM classifier to classify. Finally, the variables and the final results of theSVM classification are analyzed.Keywords remote sensing image EMP feature extraction algorithm 目录 1引言1 2提出思路2 2.1EMP.2 2.2空间重现分类3 3EMP特征提取的优越性.5 3.1模拟数据实验6 3.2快鸟影像中国北京图像实验8 4算法程序实现10 4.1输入遥感数据集11 4.2PCA降文12 4.2.1PCA降文原理.12 4.2.2PCA降文的意义.12 4.2.3实现PCA降文13 4.3AP算法15 4.3.1算法思路15 4.3.2算法实现15 4.3.3注意事项.16 4.4SVM分类器分类17 4.4.1提取样本17 4.4.2样本测试19 4.4.3进行SVM分类.20 4.4.4分类结果分析.21 4.4.5进一步分析21 4.5程序调试和优化.25 5可视化界面设计26 5.1窗口设计26 5.2代码编写以及程序运行27 6程序展望31 结论32 致谢33 参考文献34 1 引言在进入21 世纪， 我们在信息获取技术上以及传感器技术上都有了迅猛的发展，来自欧美等国一系列的高分辨遥感卫星成功发射， 这使得当前遥感影像的分辨率得到了极大的提升。 然而遥感影像的处理方法却没有更上遥感影像分辨率的火箭式提升，这导致各种时间，空间和光谱分辨率的遥感影像利用率很低。所以说先进的观察工具和不断提高的地球覆盖率为分析遥感数据集开拓了重要的视角。 最近，EMP 特征提取算法在遥感数据处理方面已成为广泛使用的方法。这些表示方法在多个领域被广泛使用，例如光谱分解和分类。这些方法试图通过少量基样本的线性组合来表示大部分观察结果或是图像像素，基样本也可称为基元，来源于一个过完备的训练字典。形式上，一个过完备的字典是基元的集合，因此基元的数目超出了图像空间的文度， 以至于任何一个图像像素可以被表示为不同基元的不同组合。在给定环境下，一个图像像素可通过解决稀疏复原问题在最少基元的情况下被复原。一个关于EMP 遥感影像特征提取算法重要方面是处理空间信息。这是因为目前一个普遍接受的思想是同时利用空间和光谱信息在提高分类技术表现方面有巨大优势。过去，在这方面有一些进展。例如，在遥感数据处理中，两种在空间复原过程考虑环境信息的方法被提出了。一种方法是在重构目标像素的时候，在优化规划中引进了一个局部光滑化约束。 另一种方法是对集中在目标像素的邻近像素采用联合稀疏模型。关于遥感数据处理的实验结果表明，考虑到空间环境信息的策略在分类精度方面有更好的表现。然而，关于这些方法，在解决联合稀疏复原问题之前，我们需要定义被用来描述环境信息的空间范围的规模。这个问题涉及了关于被描述图像的部分预先知识。 在这里，我们拟采用 matlab 软件来对网上的一副遥感影像进行处理分析。Matlab 具有高效的数值计算和符号计算功能，具有完备的图形处理功能，实现计算结果和编程的可视化。它可用于科学计算和工程绘图，对于其他软件所没有的功能（例如图形的光照处理，色度处理以及四文数据的表现等），matlab 同样具有出色的处理能力。因此我们是有matlab对图片进行处理得到不同的图片，然后进行分析。2 提出思路2.1 EMP从文献[1]中我们得知 EMP 是通过使用不同种类属性获得并堆积APs的扩展。在EMP中执行的过滤操作是基于相对于给定参考值λ对灰度图f的每个相关元如何计算给定属性A的衡量。对于图像中的一个相关元Ci，如果属性满足预定条件（例如：A(Ci)> λ）,则此区域保持不变；否则，它被设定为与邻近区域灰度值相近的值，因此将Ci融合进一个周围相连元。如果这块区域被融合进较低灰度值水平的区域，这个操作成为减弱。给定临界值的有序列{λ1，λ2，…，λn}，通过应用如下一列减弱属性和加强属性的操作来得到一个APAP(f)：={ϕn(f)，…，ϕ1(f),f, ϒ1(f)，…，ϒn(f)} (1)ϕ代表减弱操作ϒ代表加强操作关注全色数据的单个特点。对于高光谱图像，我们可以对整个原始数据用属性过滤器。然而，高光谱数据文数很高，有巨大数目的光谱带。这意着在原始光谱带上构建扩展属性文件将导致很高的计算复杂度。另一方面，通常高光谱数据存在于与原始光谱空间相比文数低很多的子空间里。这样，我们可以通过使用例如 PCA这样的技术来经行文数简约，然后在文献中提及的在头几个 PCs 上经行属性过滤器操作，以此来降低计算复杂度。对于全光谱数据，因为仅有几条光谱带可用，我们在完整的原始光谱数据上经行属性过滤器操作。用此方法，通过在前 q 个PCs（或者在多光谱、高光谱图像上其他应用特点选择保留的特征）上生成一个AP 获得了 EAP，然后通过在每个特征上使用AP 建立堆向量。这带来了下面对于像素Xi的 EAP 的定义：EAP:={AP(f1),AP(f2),…,AP(fq)} (2)q 是保留特征的数目。从这个定义中，考虑多个属性带来 EMAP 的思想，它是综合了通过单个特征向量联系起来的 EAPs，并提高了抽取图像上结构的空间特征的能力，在这个上面可通过应用一个大树算法来有效的计算属性过滤器。2.2空间重现分类在空间重现模型中， 思想是所有的测试样本可以被来源于过完备的训练字典的基元线性表示。我们假设我们有一个训练字典，A={X1，…Xn}ЄRn*l,有 l 文的 n 个样本，共有 c 个分离的类，这个字典是由 A={A1，…Ac}构成，其中Ak={Xk1,…Xknk}（例如 Ak 在列中有类 k 的样本，nk 是在 Ak 中的样本数，且有）。一个典型的遥感数据高级分类方案是，我们有一个有限的标记过的对每个类的训练样本的集，然后，我们使用部分信息训练一个分类器，然后剩余的被标记的的样本来测试。设Xi 是一个测试样本，它可以被基元合适的表示为Xi～X1α1+ X2α2+…+Xnαn=[x1 x2… xn][ α1α2 …αn]T=Aα+Є （3）其中α=[α1T…αnT]T 是一个 n 文稀疏向量， αi 是用类 i 结合的复原系数的向量，Є表示误差。我们方法的中心假设是 Xi 可以被 Aiαi 很好的近似，也就是αj=0，对 i≠j.在这个条件下，Xi 的分类等于α的支持检测。为了获得测试样本 Xi 的稀疏表示，我们需要获得满足 Xi=Aα+Є的稀疏向量α。这个稀疏向量α可以通过解决下面的优化问题来获得基于αˆ = arg minα0 subject to xi = Aα （4）根据噪音的表示和可能的模型误差，上面的优化可以用下式基于αˆ = arg minα0 subject to xi − Aα2 ≤ δ (5)上述的问题是非确定的并且是NP 难的，因为难以解决。最近，贪婪算法。例如 BP 和 OMP 被提出来处理这个问题。BP 用 1 范式取代 0 范式，因此，稀疏向量α可以用 1 范式来获得基于αˆ = arg minα1 subject to xi − Aα2 ≤ δ (6)另一方面，OMP 算法是一个贪婪策略。在第一轮循环中初始剩余等于测试样本 Xi，接下类，在每一轮循环中，算法寻找基元的指标来最好的近似剩余，然后用最新获得基元的集计算α的估计。当近似误差小于预设误差时 OMP 算法停止。 (责任编辑：qin) |