【摘要】：當今世界,機器學習相關(guān)技術(shù)的應(yīng)用領(lǐng)域正在迅速擴大,數(shù)據(jù)處理與信息分析的技術(shù)也發(fā)生了翻天覆地的變化,影像數(shù)據(jù)的分類效果也因此能夠得到顯著的提高。以往的高光譜或多光譜圖像分類與識別,往往只關(guān)注像元光譜維上的特性,其特征統(tǒng)計也只在光譜上進行展開。由于自然界的復雜性、混合像元問題的存在,僅靠像元的光譜特性是不夠的。在高光譜遙感圖像監(jiān)督分類過程中加入空間特征信息,可有效提高分類結(jié)果的速度與精度。本研究將兩種空間信息的提取方法與極限學習機(ELM)和支持向量機(SVM)結(jié)合,對兩種機器學習分類方法加入空間特征信息前后的分類結(jié)果進行時間與精度的綜合評價與比較分析。本文選取了經(jīng)典的ROSIS傳感器的意大利帕維亞大學以及Hyperion傳感器的博茨瓦納奧卡瓦納三角洲的高光譜遙感數(shù)據(jù)作為試驗數(shù)據(jù);同時,為了試驗機器學習方法在地質(zhì)找礦當中的應(yīng)用前景,還選取了美國內(nèi)華達赤銅礦AVIRIS高光譜遙感數(shù)據(jù)進行試驗。經(jīng)影像預(yù)處理、訓練樣本選取、光譜特征分析,分別運用兩種分類方法對數(shù)據(jù)集進行分類實驗;之后將光譜特征與空間特征結(jié)合對數(shù)據(jù)進行分類試驗。本文主要的研究內(nèi)容和結(jié)論有以下這些方面:(1)利用支持向量機(SVM)與極限學習機(ELM)兩個分類方法,對采集于兩種不同傳感器、具有不同地表覆蓋類型的高光譜數(shù)據(jù)集進行實驗,對數(shù)據(jù)進行光譜特征分析,并與分類結(jié)果進行對比,證實了不同類別之間的光譜曲線特征相似度較高,將會增大數(shù)據(jù)集的分類難度,并對類別的分類精度結(jié)果產(chǎn)生不良影響。(2)基于梯度圖像的直接分水嶺算法容易導致圖像的過分割,產(chǎn)生這一現(xiàn)象的原因主要是由于輸入的圖像存在過多的極小區(qū)域而產(chǎn)生許多小的集水盆地,從而導致分割后的圖像無法把圖像里有意義的區(qū)域體現(xiàn)出來。所以應(yīng)當把分割結(jié)果的相似區(qū)域?qū)嵤┖喜ⅰ?3)運用多數(shù)投票法將光譜和空間分類結(jié)果進行合并,其結(jié)果中很多離散點被指定為鄰域值,提高了分類精度。另一個效果是類別間的邊界平滑了,解決了分類精度差異常出現(xiàn)在這些邊界點上的問題。(4)運用混淆矩陣方法對實驗結(jié)果進行對比分析,可以看出,將基于光譜特征的分類結(jié)果與空間特征相結(jié)合,可以有效提高兩種算法的分類精度。同時在分類時間、精度方面,對于兩個研究區(qū),極限學習機(ELM)均優(yōu)于支持向量機(SVM)。
【學位授予單位】：長安大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP181;TP751
【圖文】：

帕維亞大學高光譜圖像

帕維亞大學光譜曲線圖

【參考文獻】

相關(guān)期刊論文 前10條

1 易序峰;吳堅;喻高航;;基于自適應(yīng)梯度算法的SVM核極化參數(shù)選擇方法[J];贛南師范學院學報;2015年06期

2 沈夏炯;吳曉洋;韓道軍;;分水嶺分割算法研究綜述[J];計算機工程;2015年10期

3 趙志勇;李元香;喻飛;易云飛;;基于極限學習的深度學習算法[J];計算機工程與設(shè)計;2015年04期

4 危傲;;基于SVM算法的分類器設(shè)計[J];電子科技;2015年04期

5 高文杰;王金亮;劉廣杰;;訓練樣本對遙感影像分類精度影響研究[J];云南地理環(huán)境研究;2015年02期

6 滕少華;樊繼慧;陳瀟;張巍;劉冬寧;;SVM多分類器協(xié)同挖掘局域氣象數(shù)據(jù)[J];廣西大學學報(自然科學版);2014年05期

7 倪鼎;馬洪兵;;基于近鄰協(xié)同的高光譜圖像譜-空聯(lián)合分類[J];自動化學報;2015年02期

8 王杰;王瑤;彭金柱;;基于極限學習機的諧波電流檢測方法[J];鄭州大學學報(理學版);2014年03期

9 宋義剛;葉舜;吳澤彬;韋志輝;;基于GPU的高光譜遙感圖像PPI并行優(yōu)化[J];航天返回與遙感;2014年04期

10 張雁;吳保國;呂丹桔;林英;;基于Tri-training的主動學習算法[J];計算機工程;2014年06期

本文編號：2722734