论文部分内容阅读
遥感技术作为当今获取地物表面信息的重要手段,自20世纪60年代迅速发展至今,已被运用于环境监测、资源勘查、地质勘测、农业监控、军事侦察等诸多领域。由于该技术涉及众多科学领域且应用非常广泛,是当前备受重视的科学领域。其中高光谱遥感(光谱分辨率在10-2λ数量级范围内)技术作为遥感技术的重要分支,自20世纪80年代兴起后,成为人们对地观测领域取得的重大技术突破。由于其光谱分辨率高,使得它所包含的信息量大,可以为人们提供更高质量、更细节、更可靠的光谱数据信息。
针对当前高光谱遥感技术的发展趋势,国内外对该领域的研究一般分为硬件改良和光谱数据处理优化两个方向。硬件方面,光谱仪的光谱分辨率与空间分辨率的提升是发展的主要趋势,目前无论国内外对该领域的研究都已取得飞跃性的发展。而另一方面,由于高光谱遥感技术所具有的波段多、光谱范围窄、数据量大、信息冗余度高的特点,给对于海量数据的高效分析与处理带来不便。在已具备的硬件条件下,更高效、准确的高光谱遥感数据处理分析算法研究显得十分重要。
铀矿作为战略性的矿产资源,在国防建设和国民经济发展中具有举足轻重的作用和地位。而中国是铀矿资源不甚丰富的国家,我国铀矿资源探明储量居世界10名之后,不能适应日益增长的铀矿资源需求。因此及时查明足够数量的低成本铀矿资源已成为当前铀矿科研和生产中亟待解决的重大课题。
由于高光谱遥感技术可为资源勘查提供充足、连续、精确的数据,所以该技术在铀矿资源勘查方面也起着重要作用。高光谱遥感技术数据量大,数据冗余度高,如何快速有效地处理这些数据,从中提出有用的信息,是高光谱遥感技术在铀矿资源调查的一个重要发展方向。同时铀矿区内存在着多种伴生、衍生或蚀变矿物。这些矿物的识别和区分对判断铀矿存在,分析铀矿区有着重要研究意义。传统方法中,通过对铀矿区矿物的化学,物理以及光谱特性进行分析,可以对矿区内各种矿物的类别进行判定,这需要研究者具有一定的地矿领域知识和经验。
遗传算法作为一种智能搜索算法,自20世纪60年代末到70年代初由美国密歇根大学的John Holland提出至今,在理论和研究方面取得了重大的进展。近年来,智能计算成为人工智能研究的热门方向,遗传算法受到广泛关注,其应用领域得到更大的拓展。遗传算法具有自组织、自适应和自学习性,其搜索过程基本不需要搜索空间的知识和其他辅助信息,且搜索覆盖面大,利于全局择优,而算法本身易于实现,相对不易陷入局部最优。
综合以上因素,论文重点研究将遗传算法应用于铀矿区高光谱遥感数据处理中,对数据处理过程进行优化,使得通过已有的铀矿区矿物高光谱遥感数据,实现铀矿物特征属性提取及铀矿物分类的自动化。
课题重点针对铀矿区地面实测而得的铀矿物高光谱遥感数据,研究如何从高冗余度、高波段数的遥感数据中智能选择出矿物分类所需的特征属性,并在此基础上,使用遗传算法思想,完成铀矿区矿物的分类工作。本论文主要完成的工作有:
(1)综述国内外高光谱遥感技术及遗传算法的研究现状,介绍了遗传算法在遥感数据处理方面的应用情况和趋势。
(2)阐述了遗传算法的介绍了遗传算法的定义、基本理论、特点及基本方法。介绍铀矿区高光谱数据特点并给出部分矿区常见矿物的光谱特征。介绍了针对原始高光谱数据的预处理技术流程,并详细讲解了光谱数据检验、光谱曲线光滑、包络线分析的环节的实现方法。
(3)根据铀矿区高光谱数据特征,提出构建铀矿区待分类高光谱数据集的方法。根据构建的数据集,设计了一套基于遗传算法的分类特征属性选择方法并详细介绍了该方法的实现方法、流程。该方法实现了对原始数据的降维,去除掉与分类无关或相关性较小的波段信息,自动选择出与矿物类别最相关的波段区域作为属性,可提高分类效率。
(4)简述了超平面分类的基本概念和分类原理。在此理论基础上,结合遗传算法的思想,将超平面分类方法和遗传算法引入高光谱遥感数据分类中,构建了相应的分类器。其基本思想为使用超平面在多维空间上对不同种类的个体进行区分,由于使用遗传算法,可自动地生成满足分类要求的最优分类器。
通过理论的分析和设置实验进行测试,确定了遗传算法可应用于铀矿区高光谱数据的分类工作中。论文提出的特征属性提取方法,可以有效选择出利于分类的矿物特征属性。基于遗传算法的超平面分类分类方法应用在铀矿区矿物分类上分类效果良好,性能稳定。