【摘要】：遙感圖像的變化監(jiān)測是通過對同一地區(qū)不同時間的多副遙感圖像進行比較分析,得到變化信息的技術(shù)。近年來,隨著變化監(jiān)測技術(shù)的日益成熟,遙感圖像的變化監(jiān)測已經(jīng)成為監(jiān)測地球表面的一種不可或缺的手段,在城市發(fā)展、森林覆蓋變化、森林火災(zāi)、濕地變化等領(lǐng)域都得到了成功的應(yīng)用。在監(jiān)督分類中,由于使用了樣本的標簽信息,分類效果較好。但樣本的標簽信息不易得到,因為標記樣本點需要領(lǐng)域?qū)＜业膸椭?且費時費力。無監(jiān)督分類算法由于沒有使用樣本點的任何先驗知識,往往得不到理想的分類精度。半監(jiān)督分類算法結(jié)合了監(jiān)督分類和無監(jiān)督分類方法的優(yōu)點,通過標記少量樣本點達到提高分類精度的目的�；谝陨戏治�,本文在變化監(jiān)測技術(shù)中采取了半監(jiān)督分類方法。針對樣本點標記困難的問題,本文給出了一種新的標記方法。在現(xiàn)有的變化監(jiān)測方法的基礎(chǔ)上,本文提出了一種新的融合空間信息的半監(jiān)督分類算法。本文的主要的工作和內(nèi)容如下:(1)本文提出了一種新的標記方法。半監(jiān)督分類要標記部分樣本點的類標簽,但是這類信息通常不易得到。在半監(jiān)督分類方法中,通常采用隨機標注的方法獲得部分樣本點的類標簽,但這種標記方法有時會影響分類結(jié)果。本文針對變化監(jiān)測問題,根據(jù)差值圖像,給出了一種新的標記方法,分別標記差值圖像中的變化點和不變點。該方法將差值圖像中的像元點按灰度值大小排序,將灰度值小的點(在具體實驗中灰度值為0的部分點)標記為不變點,灰度值較大的點標記為變化點。(2)本文在現(xiàn)有的變化監(jiān)測方法以及新的樣本點標記方法的基礎(chǔ)上,提出了一種新的融合空間信息的半監(jiān)督分類算法。在得到差值圖像后,首先運用本文提出的樣本點標記方法標記差值圖像中的變化點和不變點,然后運用一種改進的半監(jiān)督FCM方法對差值圖像分類,最后針對聚類過程中出現(xiàn)的噪聲點,運用馬爾可夫隨機場模型將空間信息融入變化監(jiān)測過程中,得到變化監(jiān)測結(jié)果。為了驗證本文方法的可行性,分別選取了婆羅洲、巴西和大連市的Landsat7數(shù)據(jù)做了實驗。結(jié)果表明,本文提出的融合空間信息的半監(jiān)督變化監(jiān)測方法對變法監(jiān)測問題是行之有效的,KAPPA系數(shù)可以達到85%以上。
【圖文】：

*1*g( x)yK(xx)bliiiij (3持向量機具有堅實的理論基礎(chǔ)，它很好的解決了機器學(xué)習(xí)中現(xiàn)存的過學(xué)習(xí)和維問題，成功運用于數(shù)據(jù)挖掘的不同領(lǐng)域，在變化監(jiān)測領(lǐng)域也得到了廣泛的應(yīng)用[5 人工神經(jīng)網(wǎng)絡(luò)算法工神經(jīng)網(wǎng)絡(luò)是通過模擬人腦的學(xué)習(xí)、記憶、處理問題的方式而建立起來的一種模型，它是由大量處理單元相連接成的分布式處理系統(tǒng)[52-53]。近年來，隨著人絡(luò)的快速發(fā)展，它已被用于多個領(lǐng)域，在變化監(jiān)測領(lǐng)域也取得了一定的進展。物神經(jīng)元的結(jié)構(gòu)如圖 3-1 所示，，細胞體的外部有多個樹突和一個軸突，樹突及其它神經(jīng)元的軸突相接觸，他們通過脈沖傳遞信息，當脈沖傳遞的信息到達神突末梢時，則會向突觸間隙釋放某種化學(xué)物質(zhì)，從而形成電位，當下一個生物細胞體周圍累積到一個特定的電位差，也就是閾值電位時，又會產(chǎn)生新的脈沖突中去[54]。

圖 3.2 人工神經(jīng)元模型Fig .3.2 Artificial Neuron Model上圖表示一個多輸入單輸出的人工神經(jīng)元模型，其中，TnX (x,x,...,x)12 為輸入信號，TnW (w,w,...,w)12 為神經(jīng)元的連接權(quán)值，當此權(quán)值為正時，神經(jīng)元被激活，反之被抑制。輸入信息與連接權(quán)進行線性組合，則形成了求和單元即k pikkiiwx1 (3.5) （ .）為非線性激活函數(shù)，當輸入信號的加權(quán)和數(shù)值即k 超過特定閾值kb 時，則非線性函數(shù)被激活。ky 為輸出信號()kkky b(3.6)人工神經(jīng)網(wǎng)絡(luò)算法是一種模擬人腦處理信息的方式而形成的一種分類算法，它通過
【學(xué)位授予單位】：遼寧師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：P237

【參考文獻】

相關(guān)期刊論文 前10條

1 羅方權(quán);馬克委;吳建良;;多時相遙感影像的變化監(jiān)測方法研究[J];現(xiàn)代測繪;2014年06期

2 李亮;舒寧;王凱;龔煈;;融合多特征的遙感影像變化檢測方法[J];測繪學(xué)報;2014年09期

3 王麗云;李艷;汪禹芹;;基于對象變化矢量分析的土地利用變化檢測方法研究[J];地球信息科學(xué)學(xué)報;2014年02期

4 殷守敬;吳傳慶;王橋;馬萬棟;朱利;姚延娟;王雪蕾;吳迪;;多時相遙感影像變化檢測方法研究進展綜述[J];光譜學(xué)與光譜分析;2013年12期

5 余先川;呂中華;胡丹;;遙感圖像配準技術(shù)綜述[J];光學(xué)精密工程;2013年11期

6 劉慧明;張峰;宋創(chuàng)業(yè);;基于NDVI假彩色合成法的土地覆被變化監(jiān)測[J];生態(tài)科學(xué);2013年03期

7 夏雙;阮仁宗;顏梅春;王玉強;;洪澤湖區(qū)土地利用/覆蓋變化分析[J];遙感信息;2013年01期

8 王東廣;肖鵬峰;宋曉群;王鐵成;陳剛;;結(jié)合紋理信息的高分辨率遙感圖像變化檢測方法[J];國土資源遙感;2012年04期

9 崔方寧;宋曉宇;孫寶生;王紀華;;基于多時相TM影像的冬小麥面積變化監(jiān)測[J];遙感信息;2012年05期

10 王文劍;梁志;郭虎升;;基于數(shù)據(jù)關(guān)系的SVM多分類學(xué)習(xí)算法[J];山西大學(xué)學(xué)報(自然科學(xué)版);2012年02期

相關(guān)博士學(xué)位論文 前2條

1 郝明;基于空間信息準確性增強的遙感影像變化檢測方法研究[D];中國礦業(yè)大學(xué);2015年

2 湯玉奇;面向?qū)ο蟮母叻直媛视跋癯鞘卸嗵卣髯兓瘷z測研究[D];武漢大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 王銘;基于混合像元分解的東北地區(qū)時令水體提取及變化監(jiān)測[D];中國科學(xué)院大學(xué)(中國科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所);2017年

2 楊源媈;改進的ECOC SVMs及其在礦區(qū)土地利用/覆被變化監(jiān)測中的應(yīng)用研究[D];中國礦業(yè)大學(xué);2016年

3 吳軍超;多特征融合的光學(xué)影像圍填海變化檢測與地物識別[D];河南理工大學(xué);2016年

4 陳佩;主成分分析法研究及其在特征提取中的應(yīng)用[D];陜西師范大學(xué);2014年

5 虞倩倩;基于數(shù)據(jù)劃分的DBSCAN算法研究[D];江南大學(xué);2013年

6 賈彩杰;基于模糊聚類算法的遙感圖像變化檢測的研究[D];西安電子科技大學(xué);2013年

7 劉明;基于先驗知識的半監(jiān)督聚類算法研究[D];大連理工大學(xué);2012年

8 向娜;基于神經(jīng)網(wǎng)絡(luò)和人工蜂群算法的水質(zhì)評價和預(yù)測研究[D];華南理工大學(xué);2012年

9 李攀;基于CVA的植被覆蓋度變化信息提取方法研究[D];首都師范大學(xué);2011年

10 黃毅磊;DBSCAN算法及在城市網(wǎng)格化管理中的應(yīng)用[D];上海交通大學(xué);2010年

本文編號：2610245