当前位置: > 论文范文 > 50000字论文范文独立分量分析在遥感图像变化信息检测中的应用

50000字论文范文独立分量分析在遥感图像变化信息检测中的应用

论文类型:论文范文
论文字数:50000字
论点:算法,图像,遥感
论文概述:

对于多时相多光谱遥感图像,是通过分析图像间的差异来实现变化信息检测。由于波段图像间存在着大量相互关联的信息,使得对原始遥感图像的变化检测算法实现比较困难

论文正文:

第一章导言

1.1研究的目的和意义
遥感图像的变化检测是对特定波段上不同时间(或日期)采集的多时相图像的检测,以及对成像日期之间地面特征动态变化的识别[1]。早期的遥感图像变化检测受到当时技术条件的限制,变化检测方法主要是通过人工目视判读进行的。视觉口译方法要求译员具备丰富的视觉口译经验,工作量大,效率低。最终结果很大程度上受主观因素影响,容易出错,难以确保一致性。因此,它在实际应用中有很大的局限性[3]。随着技术的发展,目前在不同环境中应用的变化检测方法有很多[4],根据实现方式可分为三类[5]:
(1)基于简单的代数运算,如图像差异、图像比率和图像回归分析。这种方法都是利用多时相遥感图像上的代数运算,根据辐射值的差异来检测变化区域[6】。
(2)基于图像分类,如分类后比较。这种方法首先对多时相遥感图像进行分类,然后根据分类后的特征类别检测变化。
(3)基于多元分析的数据转换方法,如主成分分析、主成分分析和典型分析。主成分分析变换是变化检测中使用最广泛的方法。它基于二阶统计。只有当源信号的统计分布符合高斯分布时,才能完全消除信号之间的相关性,而对于非高斯信号,只能消除信号之间的二阶相关性。然而,在多时相遥感图像中,各种地物的光谱特征并不都满足高斯分布,因此通过主成分分析变换获得的分量图像之间仍然存在高阶相关性,这些相关性信息会影响变化信息的检测结果。独立分量分析是近年来出现的一种盲源信号分离技术。它不仅能有效地消除信号之间的二阶和高阶相关性,而且使变换后的分量相互独立。独立分量分析利用观测数据的高阶统计信息,可以有效地分解观测信号。同时,它还可以大大降低数据的维数,使得后续聚类的规模不会太大。因此,将独立分量分析应用于多光谱数据的分解,可以有效利用数据的高阶统计信息,消除数据之间的相关性,更好地利用多光谱数据的光谱信息,从而提高分类精度。根据独立分量分析和不同时期遥感图像的特点,利用独立分量分析模型实现多时相遥感图像的变化检测,提高变化检测精度。

1.2国内外独立成分分析的研究现状
1.2.1国外研究现状
20世纪50年代初,法国学者Herault、Jutten和Ans[7~9]提出了神经生物学背景下的一种特殊反馈电路,用以解决肌肉收缩运动编码的简化模型,从而引入独立分量分析技术。1986年,在美国举行的神经网络计算会议上,Herault和Jutten[10]进一步提出了基于Hebb学习规则的反馈神经网络模型和学习算法,实现了两个独立源信号的盲分离。1991年,《信号处理》杂志发表的三篇经典文章标志着盲源分离研究的重大进展。1994年,科蒙·[11]从数学角度给出了独立分量分析的统一框架,定义了独立分量分析方法的基本假设,并明确指出对比度函数的目标函数达到了最大值,消除了观测信号中的高阶统计相关性,从而实现了盲源分离。1995年,贝尔和塞约斯基基于信息最大化的原则发表了独立分量分析历史上里程碑式的文章[12][13]。其重要贡献如下:1)利用神经网络的非线性特性消除观测信号中的高阶统计相关性。2)用信息最大化准则建立目标函数,将信息论方法与独立分量分析相结合。3)给出了一种神经网络类型的最优迭代学习算法(简称Infomax算法或B-S算法),它成为各种后续算法的基础。4)10人鸡尾酒会具有良好的分离效果。日本学者阿马里等人[14][15]提出了一种基于参数间黎曼几何的改进的Infomax算法空。该方法基于自然梯度法,克服了原Infomax算法需要计算逆矩阵和收敛速度慢的问题。同时,法国学者卡多佐等人[16][17]基于独立分量分析问题的李群结构,提出了一种类似于自然梯度算法的相对梯度算法,并对学习算法的等变性、稳定性和分离精度给出了重要的思想和方法。与原Infomax算法相比,自然梯度算法和相对梯度算法避免了矩阵求逆的计算,提高了算法的计算效率。1996年,Peadmutter等人的[18][19]进一步扩展了原有的Infomax算法,通过多元概率密度函数的定义和在线参数估计方法获得了最大似然估计算法,从而扩大了可分离源信号类型的范围。
基于最大似然目标函数,出现了许多学习算法,如最大似然自然梯度法、相对梯度法等。[16][19][20],卡多佐指出最大似然估计和信息最大化原则是等价的。类似地,为了克服原Infomax算法只能解决超高斯信号混合的盲源分离问题的缺陷,吉罗拉米、李和塞吉诺夫斯基·[21][22]等学者基于信息最大化进一步扩展了独立分量分析。通过稳定性分析,设置切换函数选择不同的非线性函数,分别实现超高斯信号和亚高斯信号的盲源分离,这就是著名的扩展信息最大化算法(ExtICA算法)。上述独立分量分析学习算法是梯度上升或梯度下降的方法,收敛速度慢,尤其是在进行大规模数据处理时,计算时间长,效率低,需要根据不同的问题选择合适的选择学习率。对此,Hyvarinen和Oja等学者提出了基于负熵最大化准则的独立分量分析不动点算法(FastICA算法或定点算法)。
该独立分量分析算法具有收敛速度快的优点,不需要用户选择学习速率(学习步骤)。该算法由于其优异的性能,已被广泛应用于实际计算中。目前,FastICA算法和扩展的Infomax算法(ExtICA)如李·[27]在世界上被广泛使用。Shi等人结合FastICA算法和ExtICA算法的优点,提出了一种新的不动点算法,可以自动分离具有超高斯和亚高斯分布源的混合信号。该算法具有收敛速度快、分离精度高、无需设置学习步长的优点。2000年,李等学者提出了基于互信息最小化方法的梯度学习算法。

第二章独立成分分析的基本理论...................12-18
2.1 ICA的基本概念...................12
2.2独立分量分析假设和约束...................12-13
2.3数据预处理...................13
2.4独立分量分析模型估计方法...................13-18
第三章研究领域和研究材料概述...................18-20 [/BR/] 3.1研究领域概述...................18[/比尔/] 3.2数据收集...................18-19
3.3技术路线研究...................19-20
第四章遥感图像预处理...................20-29
4.1图像校正...................20-22
4.1.1几何校正...................20-21[/比尔/] 4.1.2辐射校正...................21-22[/比尔/] 4.2 TM影像特征分析...................22-25
4.2.1 TM光谱图像特征...................22-23
4.2.2最佳频带选择...................23-25
4.3图像转换...................25-29[/ Br/]第五章图像处理中六种独立分量分析算法的实验...................29-37
5.1六种独立分量分析算法...................29-30
5.2图像处理中六种独立分量分析算法的实验...................30-37
第6章独立成分分析研究……37-49
多时相遥感图像变化检测6.1多时相遥感变化检测理论...................基于独立分量分析的多时相遥感图像变化检测...................39-40
6.3变化检测和分析...................40-49 [/BR/] 6.3.1变化检测结果图...................40-42 [/BR/] 6.3.2变更信息的提取...................42-45[/溴/] 6.3.3变更类型的确定...................45-46
6.3.4变更检测结果的评估...................46-49

结论

对于多时相多光谱遥感图像,通过分析图像之间的差异实现变化信息检测。由于波段图像之间有大量的相关信息,很难实现原始遥感图像的变化检测算法。因此,变换原始数据消除图像间的相关信息是实现变化检测的有效途径。在遥感图像中,每幅图像由各种地面物体的混合物组成。如果各种地物的光谱特征符合高斯分布,则可以使用混合高斯模型来模拟遥感图像。高斯混合模型已广泛应用于图像处理和分析,并取得了令人满意的结果。
对于多时相遥感图像,多时相遥感图像上各种地物光谱信息的统计特征不完全符合高斯分布。因此,基于二阶统计特征的主成分分析处理方法难以有效实现多时相遥感图像分析。独立分量分析作为一种处理高阶统计量的数据分析方法,可以消除波段图像之间的相关性,得到的波段图像相互独立。根据遥感图像多波段多光谱和信息量大的特点以及独立分量消除图像间相关信息的特点,采用两种独立分量变换方法研究多时相遥感图像的变化检测。
在图像处理领域,图像采集和传输过程中的各种原因导致图像混叠。为了获得原始图像,通常需要分离这些混合图像。实验表明,独立分量能够有效分离混合图像。本文采用六种独立分量分析算法对自然图像和遥感图像进行分离。在自然图像分离实验中,非参数独立分量分析算法具有良好的分离效果,但运行时间长。其次,有效独立分量分析算法的运行时间仅为0.5717秒。本文根据影响变化检测的因素:几何校正和相对辐射校正对遥感图像进行预处理。几何校正误差控制在0.5像素以内。相对辐射校正采用直方图匹配和伪不变特征方法的相对辐射校正。通过校正结果的比较,伪不变特征方法的相对辐射校正效果较好。遥感图像预处理消除了像素分辨率和大气条件对变化检测的影响。

参考

[1]戴昌达,姜小光,唐李玲。遥感图像应用处理与分析[。北京:清华大学出版社,2004。
[2]王润生钟贾蔷。基于独立分量分析的多时相遥感图像变化检测[。电子与信息杂志。2006.28(6)
[3]高建新。基于遥感图像的变化检测研究[。测绘科技信息。2005.(2)[/比尔/][4]辛格.利用遥感数据的数字变化检测技术[]。《遥感》,1989,10(6)
[5]詹森·J·R .介绍性数字图像处理:遥感视角[·M]。新泽西州,普伦蒂切尔,1996年。
[6]布鲁佐尼,彼尔托,D . F .IEEE地理科学传输。遥感,2000,38(3)
[7] Herault,Ans B .电路神经神经神经突触可修改性:信息解码复合参数识别非监督。科学研究院,1984年,
[8]赫伯特,朱腾,安博.在非监督的情况下,在一个信息合成体系结构中检测大元素的计算神经模拟。载:《科学座谈会纪要》,1985年
[9]周宗坦、董国华、徐廷和、胡文德等译。独立成分分析[。北京:电子工业出版社,2007。
[10]胡波,玲谢挺。何海安导师制学习原理的盲均衡:(1)最小相位信道[。《通讯杂志》,1994年,15 (5)