本文關鍵詞：面向對象的多時相衛(wèi)星影像地物分類技術，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著衛(wèi)星遙感技術的不斷發(fā)展,應用需求的增加,應用范圍也越來越廣泛。單純的對單時相的衛(wèi)星遙感技術研究已經達不到人們的需求。因此,對于地物分類來說,由于單時相衛(wèi)星影像空間分辨率比較低,而且所含的光譜信息一般也比較少,分類結果一般會出現椒鹽現象,不能很好的滿足應用需求。本文從多時相衛(wèi)星影像數據的特點出發(fā),旨在深入挖掘多時相衛(wèi)星影像信息,提高衛(wèi)星影像數據應用能力。首先對衛(wèi)星影像進行了預處理,接著研究了基于圖論的歸一化分割;并深入研究了多時相衛(wèi)星影像的時間序列指數特征;針對多時相衛(wèi)星影像提出了基于增量學習的集成學習分類算法,并且與傳統(tǒng)的多時相分類算法對比,增量集成學習算法取得了較好的效果。本文工作主要是研究了衛(wèi)星影像數據預處理、時序指數特征提取以及面向對象的多時相衛(wèi)星影像地物分類,包括以下三個方面:首先,本文從多光譜衛(wèi)星影像數據的獲取原理出發(fā)。由于目前多時相衛(wèi)星影像數據的空間分辨率與光譜分辨率都比較低,而且數據量比較大。采用傳統(tǒng)的基于像素的分類方法不僅運算效率低,而且分類結果會出現椒鹽現象。因此在預處理的基礎上,研究了基于圖論分割算法。針對最小割算法的缺陷,將圖論分割算法進行了歸一化,且取得了較好的分割效果。影像分割也為面向對象的分類的奠定了基礎。然后,從多時相多光譜衛(wèi)星影像數據的時序特性出發(fā)。研究了有利于地物分類的指數特征提取、時序指數特征提取。為了有效的揭示不同地物隨時間的變化對不同指數特征的敏感度,對時序指數特征提取了一階和二階差分時序指數特征,并在此基礎上進行了研究了面向對象的分類方法,且與傳統(tǒng)的基于像素的分類結果進行對比,取得了較好的分類效果。最后,針對于多時相衛(wèi)星影像數據的時序特性,在多核Boosting集成學習算法的基礎上,引入增量學習,構建多時相分類器。增量學習可以在保留歷史學習信息的基礎上,對新增的樣本不斷學習,進而不斷地更新分類器,集成的新分類器對新樣本具有更好的預測效果。為驗證多時相分類器的有效性,利用多時相衛(wèi)星影像進行了實驗。結果表明并與傳統(tǒng)的合成核算法和集成學習算法相比,增量集成學習算法對多時相衛(wèi)星影像分類表現出較好的分類性能。
【關鍵詞】：多時相 分割 時序特征 增量學習 集成學習 分類
【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP79
【目錄】：

• 摘要4-5
• ABSTRACT5-9
• 第1章 緒論9-19
• 1.1 課題的背景及來源9-11
• 1.2 課題研究的目的和意義11-12
• 1.3 國內外研究現狀12-17
• 1.3.1 時序信號特征提取研究現狀12-14
• 1.3.2 多時相分類研究現狀14-16
• 1.3.3 研究現狀的總結16-17
• 1.4 本文的主要研究內容17-19
• 第2章 衛(wèi)星影像數據預處理與圖像分割技術19-32
• 2.1 引言19
• 2.2 研究區(qū)域數據介紹19-22
• 2.2.1 Landsat數據介紹19-20
• 2.2.2 研究區(qū)域概況20-22
• 2.2.3 真值圖介紹22
• 2.3 數據預處理22-27
• 2.3.1 輻射定標23-24
• 2.3.2 大氣校正24-25
• 2.3.3 影像配準25-27
• 2.4 基于圖論的衛(wèi)星影像分割27-31
• 2.4.1 圖論概述27-28
• 2.4.2 基于圖論的歸一化分割方法28-30
• 2.4.3 實驗結果與分析30-31
• 2.5 本章小結31-32
• 第3章 面向對象的地物分類32-49
• 3.1 引言32
• 3.2 光譜時序指數特征提取32-40
• 3.2.1 指數特征提取33-35
• 3.2.2 時序指數特征提取35-37
• 3.2.3 差分時序指數特征提取37-40
• 3.3 面向對象的分類40-43
• 3.3.1 面向對象的分類方法概述41-42
• 3.3.2 時序空間特征提取42-43
• 3.4 實驗結果與分析43-47
• 3.4.1 實驗數據介紹43-45
• 3.4.2 實驗設置45
• 3.4.3 實驗結果與分析45-47
• 3.5 本章小結47-49
• 第4章 基于增量集成學習的多時相影像地物分類49-65
• 4.1 引言49
• 4.2 合成核多時相分類49-50
• 4.3 集成學習算法50-55
• 4.3.1 方法概述50-51
• 4.3.2 Ada Boost學習算法51-53
• 4.3.3 多核Boosting學習算法53-55
• 4.4 增量集成學習分類算法55-57
• 4.4.1 增量學習概述55
• 4.4.2 增量集成學習分類55-57
• 4.5 實驗結果與分析57-64
• 4.5.1 實驗設置57-58
• 4.5.2 結果分析58-64
• 4.6 本章小結64-65
• 結論65-67
• 參考文獻67-71
• 攻讀碩士學位期間發(fā)表的論文及其它成果71-73
• 致謝73

【參考文獻】

中國期刊全文數據庫 前6條

1 蔡愛民,查良松;基于分形理論的安徽省旱、洪澇災害時序特征分析[J];安徽農業(yè)大學學報;2005年04期

2 亓雪勇;田慶久;;光學遙感大氣校正研究進展[J];國土資源遙感;2005年04期

3 曾文鋒,李樹山,王江安;基于仿射變換模型的圖像配準中的平移、旋轉和縮放[J];紅外與激光工程;2001年01期

4 姚薇;李志軍;姚珙;吳金鳳;江棟梁;;Landsat衛(wèi)星遙感影像的大氣校正方法研究[J];大氣科學學報;2011年02期

5 林珠;邢延;;數據挖掘中適用于分類的時序數據特征提取方法[J];計算機系統(tǒng)應用;2012年10期

6 孫越凡;鐘禮山;程亮;李滿春;;動態(tài)時間彎曲技術支持下時序NDVI數據的耕地分布信息提取——以江蘇省蘇南地區(qū)為例[J];資源科學;2014年09期

  本文關鍵詞：面向對象的多時相衛(wèi)星影像地物分類技術，，由筆耕文化傳播整理發(fā)布。

本文編號：360530