跳到主要內容

臺灣博碩士論文加值系統

(3.238.135.174) 您好!臺灣時間:2021/08/05 07:36
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:黃凱翔
研究生(外文):Kai-Shiang Huang
論文名稱:利用支持向量機於機載高光譜感測影像之分類
論文名稱(外文):Application of Support Vector Machines to airborne hyperspectral image classification
指導教授:楊明德楊明德引用關係
學位類別:碩士
校院名稱:國立中興大學
系所名稱:土木工程學系所
學門:工程學門
學類:土木工程學類
論文種類:學術論文
論文出版年:2008
畢業學年度:96
語文別:中文
論文頁數:62
中文關鍵詞:高光譜支持向量機
外文關鍵詞:hyper-spectralSVM
相關次數:
  • 被引用被引用:9
  • 點閱點閱:452
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
利用機載高光譜遙測技術除了具有資料收集迅速、大範圍監測等優點外,因載具飛行高度較低,沒有衛星遙測技術易受雲層遮蔽之缺點,隨著遙測儀器技術的進步,高光譜影像在今日已廣泛地使用。由於高光譜影像比多光譜影像擁有更好的光譜解析度,所以在目標物的偵測及物質分類方面的效果更好。本研究以機載高光譜影像資料,對九九峰地區進行植被物種分類。藉由儀科中心發展的機載高光譜感測影像,其光譜解析度介於427.2~ 945.7nm,共218個波段數,對進行植被分析,以供建構機載高光譜影像植被物種分類之參考。高光譜提供了大量且連續的高維度光譜資訊,因此,如何降低維度且萃取出有利植物間分類的資訊,為本研究課題之一。本研究配合常態化差異植生指數NDVI進行影像相減,濾除非植被區,再以PCA (Principle Component Analysis)主成份分析對高光譜影像進行降低維度與萃取特徵資訊方法,再利用最短距離法(Minimum Distance to Mean Classifier)、高斯最大概似法(Guassian Maximum Likelihood Classifier)以及支持向量機SVM (Support Vector Machines)對地表物種進行分類。為驗證本研究流程,利用普渡大學(Purdue University)公開的實驗松木林場高光譜影像進行分類,配合其地真資料進行誤差矩陣運算,得以證明SVM的分類精度優於最短距離法以及高斯最大概似法之分類成果。
Airborne hyper-spectral remote sensing relative to the traditional techniques of remote sensing can acquire real-time information of the surface of the earth with less influence from cloud obstruction due to its lower flying height, and has been broadly applied in target detection and classification due to its better spectral resolution. In this research, an airborne hyper-spectral image, which has 218 bands within a range of spectral resolution from 427.2nm to 945.7nm, is used to classify the vegetation of Mount Jou-Jou. Firstly, Normalized Difference Vegetation Index (NDVI) is used to differentiate the vegetation areas from non-vegetation areas. However, redundant bands could not significantly increase the accuracy of vegetation classification, but increase the computation cost of pattern recognition. Thus, the dimension of the hyper-spectral image is reduced by using Principle Component Analysis (PCA) to extract the useful information for vegetation classification. Finally, Minimum Distance to Mean Classifier (MDC), Guassian Maximum Likelihood Classifier (GML) and Support Vector Machines (SVMs) are employed to classify the vegetation based on the extracted useful information. In order to illustrate the classification accuracy of the above procedure, a hyper-spectral image of Purdue’s Indian Pines test site with its ground truth data is tested. Compared to 74.5% resulted from GML and 69.4% resulted from MDC, the best classification accuracy is 80% resulted from SVM.
目錄
摘要………………………………………….…………………………....i
Abstract…………………………………….…………………..………....ii
目錄……………………………………….…………………………........iii
表目錄…………………………………….……………………………....vi
圖目錄…………………………………….………………………….….viii
第一章 緒論 1
1.1 前言 1
1.2 研究動機與目的 2
1.3 研究內容 3
1.4 論文架構 4
第二章 文獻回顧 5
2.1 高光譜影像分類方法 5
2.2 支持向量機(SVM) 8
第三章 研究方法及理論介紹 10
3.1 研究方法敘述 10
3.1.1 幾何校正 12
3.1.2利用 NDVI 濾除非植物地區 12
3.1.2.1 NDVI 植生指標 14
3.1.2.2 濾除非植物地區 15
3.1.3 波段萃取 16
3.1.3.1 PCA (Principal Component Analysis) 16
3.1.4 分類方式 18
3.1.4.1 非監督式影像分類 18
3.1.4.2 監督式影像分類 19
3.2 監督式影像分類 20
3.2.1 最短距離法 20
3.2.2 最大概似法 20
3.3支持向量機(SVM) 22
3.3.1 線性支持向量機 22
3.3.2 線性支持向量機處理兩個類別 23
3.3.3 非線性支持向量機 25
3.3.4 Kernel函數 25
3.3.5支持向量機軟體–LibSVM 26
3.3.6參數選擇 27
3.3.6.1 Holdout Method 28
3.3.6.2 Cross-Validation Method 28
第四章 實驗與應用影像介紹 30
4.1 普渡大學實驗松木林多光譜影像 30
4.2 ISIS高光譜感測器 33
4.3 九九峰高光譜影像 35
4.3.1九九峰現況 35
4.3.2九九峰高光譜影像介紹 37
第五章 模式驗證與應用成果 39
5.1印地安松木試驗場影像驗證成果 39
5.1.1 松木試驗場影像預處理 39
5.1.2 松木試驗場影像驗證成果 44
5.2 應用資料成果 52
5.2.1九九峰地區影像驗證成果 52
第六章 結論與建議 58
參考文獻………………….………………………………………..…… 60

表目錄
表4.1 印地安松木試驗場影像之波段介紹 32
表4.2 高光譜儀器基本資料 37
表4.3 載具飛行資料 38
表5.1 訓鍊樣區之光譜分離度分析 41
表5.2 PCA特徵值累計表 42
表5.3 最短距離法使用者精度與生產者精度 49
表5.4 最大概似法使用者精度與生產者精度 49
表5.5 SVM分類法使用者精度與生產者精度 50
表5.6 三種分類法精度比較表 51

圖目錄
圖3.1 研究方法流程圖 11
圖3.2 濾除非植被區前之光譜轉換 13
圖3.3 濾除植被區後之光譜轉換 14
圖3.4 濾除非植被區成果影像 16
圖3.5 資料區分超平面 23
圖3.6 支持向量機示意圖 24
圖3.7 資料轉換到高維度空間示意圖 25
圖4.1 印地安松木試驗場影像 31
圖4.2 印地安松木試驗場影像之地真資料 31
圖4.3 機載高光譜影像掃瞄儀ISIS實體裝置 34
圖4.4 樣區現地照片 36
圖4.5 九九峰地區地質結構圖 36
圖4.6 九九峰地區水系圖 36
圖4.7 九九峰地區道路圖 36
圖4.8 多時期高光譜影像 38
圖5.1 經遮罩處理後之松木林場影像 42
圖5.2 實驗松木林區PCA影像 43
圖5.3 印地安松木場訓練區 47
圖5.4 最短距離分類法成果 47
圖5.5 最大概似法分類成果 48
圖5.6 SVM分類成果 48
圖5.7 原始高光譜影像資料 54
圖5.8 幾何改正之高光譜影像資料 54
圖5.9 利用NDVI影像濾除非植被區成果 55
圖5.10 PCA轉換成果 55
圖5.11 訓練樣區選取 56
圖5.12 最短距離法分類成果 56
圖5.13 最大概似法分類成果 56
圖5.14 支持向量機分類成果 57
圖5.15 支持向量機分類成果部份放大圖 57

附表
附表1 最短距離分類法分類成果 I
附表2 最大概似法分類成果 II
附表3 SVM分類法分類成果 III
陳繼藩、徐守道、陳世旺,1997,應用非監督性類神經網路於SPOT衛星影像分類之研究,航測及遙測學刊,第二卷第一期,pp.1-12。
王儷蓉,1998,高光譜資料之差異與類別分離度分析,國立成功大學 測量工程研究所碩士論文。
郭麟霂,2000,寒帶沼地高光譜影像分類之研究,國立交通大學土木 工程學系碩士論文。
林金樹,2002,高光譜主軸轉換影像辨識土地利用型最適主軸數決定法之研究,臺灣林業科學 17(4),471-481。
魏曉萍,2003,QuickBird衛星影像探討分類方法之研究,中華大學土木工程學系碩士論文。
戴安琦,2003,以分水嶺分割法為基礎的彩色分割研究,淡江大學資訊工程學系碩士論文。
繆紹綱,2005,數位影像處理–運用Matlab,台灣東華書局股份有限公司。
林恩楷,2005,利用高光譜影像偵測外來植物-以恆春地區銀合歡為例,中央大學土木工程研究所碩士論文。
許晉嘉,2006,應用支援向量機於高解析度衛星影像分類之研究,逢甲大學環境資訊科技研究所碩士論文。
AVIRIS image scene:Purdue’s Indian Pines test site http://cobweb.ecn.purdue.edu/~biehl/MultiSpec/documentation.html
MultiSpec program:http://cobweb.ecn.purdue.edu/~biehl/MultiSpec/Index.html
Biehl, L. and D. Landgrebe. “MultiSpec-A Tool for Multispectral-Hyperspectral Image Data Analysis,” Computers & Geosciences, Vol. 28, pp. 1153-1159, 2002.
Chang, C.-I., “A comprehensive experimental study on Purdue’s Indian Pines test site,” Transworld Research Network, pp. 93-139, 2006.
Cichocki, A., S. Amari, “Adaptive Blind Signal and Image Processing: Learning Algorithms and Applications”, Wiley, 2003.
Chang, C. I., ”Recent Advances in Hyperspectral Signal and Image Processing”, Transworld Research Network, 2006.
Camps-Valls, G., and Bruzzone, L. "Kernel-based methods for hyperspectral image classification." IEEE Transactions on Geoscience and Remote Sensing, 43(6), 1351-1362, 2005.
Duda, Richard O., Peter E. Hart, David G. Stork, “Pattern Classification”, 2nd Edition, John Wiley & Sons, Inc., New York, 2001.
Hyperspectral Image Data Analysis,” Computers & Geosciences, Vol. 28, pp. 1153-1159.
Hsu, P.-H. "Spectral Feature Extraction of Hyperspectral Images using Wavelet Transform," National Cheng Kung University, Tainan, Taiwan, R.O.C, 2003.
Lillesand, T. M., R. W. Kiefer, and J. W. Chipman, “Remote Sensing and Image Interpretation,” 5th ed., John Wiley & Sons, New York, USA, 2004.
Landgrebe, D., "Hyperspectral image data analysis." Signal Processing Magazine, IEEE, 19(1), 17-28, (2002).
Tsai, F., and Philpot, W. D., "A derivative-aided hyperspectral image analysis system for land-cover classification." IEEE Transactions on Geoscience and Remote Sensing, 40(2), 416-425, 2002.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top