高空間分辨率遙感影像分類(lèi)研究
本文關(guān)鍵詞：高空間分辨率遙感影像分類(lèi)研究
更多相關(guān)文章： 高空間分辨率遙感影像 分類(lèi) 支持向量機(jī) 像元形狀指數(shù) 面向?qū)ο?/b> 均值漂移
【摘要】：隨著遙感影像的空間分辨率不斷提高,影像所包含的細(xì)節(jié)信息越來(lái)越豐富,較過(guò)去的中低空間分辨率影像而言,能更好的表現(xiàn)地物目標(biāo)的紋理、形狀和幾何結(jié)構(gòu)信息。與此同時(shí),遙感影像空間分辨率的提高伴隨著數(shù)據(jù)量的激增,需要高效率的自動(dòng)分類(lèi)技術(shù)取代傳統(tǒng)的人工目視解譯,對(duì)影像中的有用信息進(jìn)行提取。另一方面,高空間分辨率遙感影像的光譜分辨率相對(duì)較低,并且包含了大量細(xì)節(jié)信息,造成光譜分布異常復(fù)雜,降低了地物目標(biāo)在光譜域的可分性。為解決這一問(wèn)題,自動(dòng)分類(lèi)技術(shù)需要充分利用影像中隱含的信息,彌補(bǔ)光譜特征的不足。本文考慮到支持向量機(jī)在解決小樣本、非線性以及高維模式識(shí)別問(wèn)題所具有的優(yōu)勢(shì),以這一機(jī)器學(xué)習(xí)算法作為分類(lèi)器,首先從光譜域角度對(duì)高空間分辨率遙感影像進(jìn)行分類(lèi)。由實(shí)驗(yàn)結(jié)果發(fā)現(xiàn),影像中的地物目標(biāo)僅僅通過(guò)光譜特征的差異進(jìn)行區(qū)分并不可靠,光譜特征相似的異類(lèi)地物目標(biāo)發(fā)生混淆。繼而利用像元形狀指數(shù)方法,提取高空間分辨率遙感影像的像元形狀指數(shù)特征,對(duì)光譜特征進(jìn)行補(bǔ)充。實(shí)驗(yàn)結(jié)果表明,像元形狀指數(shù)特征能夠有效區(qū)分光譜特征相似而幾何形狀不同的地物目標(biāo),在分類(lèi)精度上優(yōu)于光譜特征分類(lèi)方法。同時(shí),在與小波紋理特征方法和多尺度區(qū)域特征方法比較中,像元形狀指數(shù)方法也取得了更好的結(jié)果。另一方面,實(shí)驗(yàn)中發(fā)現(xiàn)該方法極易受到高空間分辨率遙感影像中細(xì)節(jié)信息的影響,對(duì)富于細(xì)節(jié)信息的區(qū)域分類(lèi)效果不理想。鑒于像元形狀指數(shù)方法存在的不足,本文引入了面向?qū)ο蠓治鏊枷?對(duì)高空間分辨率遙感影像進(jìn)行分類(lèi)。在像元形狀指數(shù)方法的啟發(fā)下,設(shè)計(jì)了一種自適應(yīng)帶寬的均值漂移方法,對(duì)高空間分辨率遙感影像進(jìn)行對(duì)象的提取。實(shí)驗(yàn)證明了這一方法在保留較小目標(biāo)的基礎(chǔ)上,對(duì)較大目標(biāo)保證了足夠的平滑,同時(shí)忽略了影像中過(guò)度的細(xì)節(jié)信息,是一種多尺度統(tǒng)一的對(duì)象提取方法。最終的分類(lèi)結(jié)果說(shuō)明,面向?qū)ο蠓诸?lèi)方法較像元形狀指數(shù)方法,無(wú)論在視覺(jué)效果上還是精度上,都更為優(yōu)秀。
【關(guān)鍵詞】：高空間分辨率遙感影像 分類(lèi) 支持向量機(jī) 像元形狀指數(shù) 面向?qū)ο?/strong> 均值漂移
【學(xué)位授予單位】：長(zhǎng)安大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：P237
【目錄】：
- 摘要4-5
- ABSTRACT5-9
- 第一章 緒論9-13
- 1.1 研究背景以及意義9-10
- 1.2 研究現(xiàn)狀10-11
- 1.3 章節(jié)內(nèi)容安排11-13
- 第二章 基于支持向量機(jī)的高空間分辨率遙感影像分類(lèi)13-30
- 2.1 統(tǒng)計(jì)學(xué)習(xí)理論13-14
- 2.2 支持向量機(jī)方法14-21
- 2.2.1 基本的支持向量機(jī)14-17
- 2.2.2 支持向量機(jī)解決非線性問(wèn)題17-19
- 2.2.3 松弛變量的引入19-20
- 2.2.4 支持向量機(jī)結(jié)合高空間分辨率遙感影像20-21
- 2.3 支持向量機(jī)核函數(shù)的選擇21-22
- 2.3.1 線性核函數(shù)21
- 2.3.2 多項(xiàng)式核函數(shù)21
- 2.3.3 徑向基核函數(shù)21-22
- 2.3.4 多層感知器22
- 2.4 支持向量機(jī)的多分類(lèi)問(wèn)題22-25
- 2.4.1 “一對(duì)多”方法23
- 2.4.2 “一對(duì)一”方法23-24
- 2.4.3 DAG方法24-25
- 2.5 實(shí)驗(yàn)部分25-30
- 2.5.1 實(shí)驗(yàn)數(shù)據(jù)25-26
- 2.5.2 訓(xùn)練樣本選擇26-27
- 2.5.3 支持向量機(jī)分類(lèi)27-30
- 第三章 像元形狀指數(shù)方法30-48
- 3.1 像元形狀指數(shù)30-33
- 3.1.1 方向線的提取30-31
- 3.1.2 PSI特征的提取31-32
- 3.1.3 PSI方法的參數(shù)32-33
- 3.2 用于對(duì)比的特征提取方法33-35
- 3.2.1 小波紋理特征方法33-34
- 3.2.2 多尺度區(qū)域特征方法34-35
- 3.3 實(shí)驗(yàn)部分35-48
- 3.3.1 PSI方法實(shí)驗(yàn)35-38
- 3.3.2 小波紋理特征方法與多尺度區(qū)域特征方法實(shí)驗(yàn)38-46
- 3.3.3 三種特征提取方法的比較分析46-48
- 第四章 基于自適應(yīng)帶寬的均值漂移算法的面向?qū)ο蠓诸?lèi)48-64
- 4.1 從面向像元到面向?qū)ο?/span>48-49
- 4.2 MS方法49-54
- 4.2.1 MS向量49-51
- 4.2.2 MS向量與非參數(shù)概率密度估計(jì)的關(guān)系51-52
- 4.2.3 MS聚類(lèi)方法52-53
- 4.2.4 MS算法應(yīng)用于遙感影像聚類(lèi)53-54
- 4.3 自適應(yīng)帶寬的MS方法54-56
- 4.4 實(shí)驗(yàn)部分56-64
- 第五章 總結(jié)與展望64-65
- 5.1 本文的總結(jié)64
- 5.2 研究展望64-65
- 參考文獻(xiàn)65-68
- 攻讀碩士學(xué)位期間取得的研究成果68-69
- 致謝69
【參考文獻(xiàn)】
中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條
1 劉純;洪亮;陳杰;楚森森;鄧敏;;融合像素—多尺度區(qū)域特征的高分辨率遙感影像分類(lèi)算法[J];遙感學(xué)報(bào);2015年02期
2 侯曉文;劉奇;;自適應(yīng)帶寬均值漂移腦部磁共振成像腫瘤分割[J];生物醫(yī)學(xué)工程學(xué)雜志;2014年05期
3 顧亞祥;丁世飛;;支持向量機(jī)研究進(jìn)展[J];計(jì)算機(jī)科學(xué);2011年02期
4 丁世飛;齊丙娟;譚紅艷;;支持向量機(jī)理論與算法研究綜述[J];電子科技大學(xué)學(xué)報(bào);2011年01期
5 王爽;夏玉;焦李成;;基于均值漂移的自適應(yīng)紋理圖像分割方法[J];軟件學(xué)報(bào);2010年06期
6 沈占鋒;駱劍承;吳煒;胡曉東;;遙感影像均值漂移分割算法的并行化實(shí)現(xiàn)[J];哈爾濱工業(yè)大學(xué)學(xué)報(bào);2010年05期
7 沈占鋒;駱劍承;胡曉東;孫衛(wèi)剛;;高分辨率遙感影像多尺度均值漂移分割算法研究[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2010年03期
8 張睿;馬建文;;支持向量機(jī)在遙感數(shù)據(jù)分類(lèi)中的應(yīng)用新進(jìn)展[J];地球科學(xué)進(jìn)展;2009年05期
9 喬程;駱劍承;吳泉源;沈占鋒;王宏;;面向?qū)ο蟮母叻直媛视跋癯鞘薪ㄖ锾崛J];地理與地理信息科學(xué);2008年05期
10 余輝;趙暉;;支持向量機(jī)多類(lèi)分類(lèi)算法新研究[J];計(jì)算機(jī)工程與應(yīng)用;2008年07期
，本文編號(hào)：550663
本文鏈接：http://www.sikaile.net/kejilunwen/dizhicehuilunwen/550663.html
