發(fā)布時(shí)間：2017-08-17 10:37

  本文關(guān)鍵詞：融合各最優(yōu)尺度下特征的高分辨率遙感影像分類

  更多相關(guān)文章： 高分辨遙感 分類 多尺度 特征選擇 支持向量機(jī)

【摘要】：在面向?qū)ο蟮母叻直媛蔬b感影像的分類方法中,首先將影像分割成同質(zhì)對象,然后再提取地物目標(biāo)的多種特征,進(jìn)而在此基礎(chǔ)上實(shí)現(xiàn)對影像的分類。本文提出了一種系統(tǒng)的面向?qū)ο蟮母叻直孢b感影像分類的技術(shù)方案,主要研究內(nèi)容如下：(1)采用多尺度分割模型對高分辨率遙感影像進(jìn)行初始分割。首先構(gòu)建同質(zhì)性與異質(zhì)性指標(biāo),由此構(gòu)建多尺度分割尺度模型,得到不同地物的最優(yōu)分割尺度,為下一步充分提取各地物目標(biāo)的特征做下奠定,并通過實(shí)驗(yàn)驗(yàn)證了其分割效果。(2)不同的地物對應(yīng)著不同的分割結(jié)果,為了充分提取地物的特征,選擇在各自對應(yīng)的最優(yōu)尺度下提取特征,這樣必然存在特征的重復(fù)與冗余,為了消除無關(guān)冗余特征,提出使用改進(jìn)SFFS算法去除無關(guān)特征,再使用互信息去除冗余特征,形成初步特征集。(3)為了實(shí)現(xiàn)多類地物的分類,組合多個SVM二分類器實(shí)現(xiàn)多分類的功能。為了充分利用特征信息,在分類中利用不同的特征對不同的分類器進(jìn)行訓(xùn)練,并通過多個核函數(shù)的組合使用,提高分類精度。針對核函數(shù)參數(shù)的確定,在前人的研究基礎(chǔ)上,利用遺傳算法對其進(jìn)行改進(jìn),在訓(xùn)練過程中動態(tài)修改參數(shù),直到找到全局最優(yōu)解。
【關(guān)鍵詞】：高分辨遙感 分類 多尺度 特征選擇 支持向量機(jī)
【學(xué)位授予單位】：南京信息工程大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP751
【目錄】：

• 摘要5-6
• Abstract6-7
• 第一章 前言7-16
• 1.1 研究背景及意義7-10
• 1.2 最優(yōu)尺度選擇方法綜述10-12
• 1.2.1 經(jīng)驗(yàn)反復(fù)試錯法10
• 1.2.2 參數(shù)鑒別法10-11
• 1.2.3 構(gòu)建模型法11-12
• 1.3 課題研究目的和內(nèi)容12-13
• 1.4 本文組織結(jié)構(gòu)13-16
• 第二章 高分辨率遙感影像分類理論基礎(chǔ)16-26
• 2.1 尺度分割16-18
• 2.2 特征提取18-25
• 2.2.1 紋理特征18-21
• 2.2.2 形狀特征21-23
• 2.2.3 顏色特征23-25
• 2.3 本章小結(jié)25-26
• 第三章 最優(yōu)分割尺度26-34
• 3.1 函數(shù)的構(gòu)建26-29
• 3.2 實(shí)驗(yàn)結(jié)果與分析29-33
• 3.3 本章小結(jié)33-34
• 第四章 多特征提取與特征選擇34-45
• 4.1 對象的特征34-37
• 4.1.1 紋理特征34-35
• 4.1.2 形狀特征35-37
• 4.1.3 顏色特征37
• 4.2 特征選擇概述37-40
• 4.3 基于SFFS算法的無關(guān)特征篩除40-42
• 4.3.1 SFFS算法40-42
• 4.3.2 去除無關(guān)特征42
• 4.4 基于互信息的冗余無關(guān)特征篩除42-44
• 4.4.1 互信息42-44
• 4.4.2 去除冗余特征44
• 4.5 本章小結(jié)44-45
• 第五章 基于遺傳算法優(yōu)化的SVM分類模型45-66
• 5.1 基于遺傳算法的特征集篩選45-52
• 5.1.1 遺傳算法45-49
• 5.1.2 特征集篩選49-52
• 5.2 支持向量機(jī)52-56
• 5.2.1 二分類53-56
• 5.2.2 多分類56
• 5.3 基于遺傳算法優(yōu)化的SVM多分類模型56-60
• 5.4 實(shí)驗(yàn)與分析60-65
• 5.4.1 實(shí)驗(yàn)影像選取60
• 5.4.2 實(shí)驗(yàn)結(jié)果與比較60-62
• 5.4.3 實(shí)驗(yàn)精度評價(jià)62-65
• 5.5 本章小結(jié)65-66
• 第六章 結(jié)論與展望66-68
• 參考文獻(xiàn)68-73
• 致謝73
• 作者簡介73-74
• 作者在攻讀碩士學(xué)位期間學(xué)術(shù)成果74

，

本文編號：688568