基于MCMC的高光譜遙感圖像的分類與分離.pdf

1、近些年來高光譜遙感在精細(xì)農(nóng)業(yè)、地理勘測、資源調(diào)查等領(lǐng)域扮演著重要的角色，而由于空間分辨率和光譜分辨率之間的制約性及致密混合物的存在，混合像元普遍存在，如何對高光譜遙感圖像實現(xiàn)精確的分類與分離對實現(xiàn)定量遙感有著極其重要的影響。為解決相關(guān)問題，本文提出一種基于MCMC的高光譜遙感圖像分類與分離方法，結(jié)合端元可變性和空間信息，可同時實現(xiàn)高精度的分類與分離；另外，為了批量處理和快速分析，搭建了基于Flask的高光譜遙感圖像分析平臺，提供面向多種

2、用戶需求的高光譜應(yīng)用模塊。
　　首先，多元邏輯回歸用來建立只考慮光譜信息的先驗?zāi)Ｐ?。多元邏輯回歸是一種逐像素多分類方法，其得到的概率滿足豐度的非負(fù)和歸一化要求。因此，本研究以多元邏輯回歸的初始概率作為豐度的先驗，并通過正態(tài)分布假設(shè)下貝葉斯與多元邏輯回歸的等價關(guān)系將這種先驗知識引入到模型中。通過仿真證明，多元邏輯回歸在一定程度上反映了地物的真實分布情況。
　　為了考慮端元的可變性，正態(tài)組成模型用來表征高光譜圖像中的混合像元，假

3、設(shè)混合像元的光譜是系數(shù)為豐度的高斯隨機(jī)向量的線性組合；結(jié)合各像元光譜的條件獨立性，光譜向量的集合是獨立的正態(tài)混合分布?？紤]到豐度的歸一性和非負(fù)性，選擇Dirichlet分布作為豐度的先驗分布，并通過參數(shù)非定?；瘜⑧徲蜇S度信息和粒度先驗引入模型。基于光譜向量、粒度及豐度的聯(lián)合分布，建立分層貝葉斯模型，得到粒度和豐度的全條件后驗分布，并通過MCMC方法—Gibbs采樣對后驗分布進(jìn)行估計，從而得到豐度的估計值。同時，利用遞歸特征消除結(jié)合交叉驗

4、證來進(jìn)行波段選擇，通過對Pavia University、MUUFL Gulfport數(shù)據(jù)集的分類及Indian Pines、Salinas數(shù)據(jù)集的分離實驗，驗證了基于MCMC的高光譜遙感圖像分類與分離方法的有效性。
　　最后，根據(jù)上述理論與算法研究，本論文建立了高光譜遙感圖像分析平臺。該平臺采用Python下的輕量級Web框架Flask作為開發(fā)框架，MySQL和Flask-SQLAlchemy來管理數(shù)據(jù)庫，HTML/CSS/Ja