本文關(guān)鍵詞：基于小波變換的K-means算法在遙感圖像分類中的應(yīng)用研究

  更多相關(guān)文章： TM遙感圖像 圖像分類 二維小波變換 K-means算法 分類精度

【摘要】：隨著遙感技術(shù)和計算機技術(shù)的逐漸成熟,遙感數(shù)據(jù)已經(jīng)在地質(zhì)災(zāi)害分析、軍事目標識別、農(nóng)業(yè)生產(chǎn)、地理面積統(tǒng)計等領(lǐng)域發(fā)揮著越來越廣泛的作用。在對遙感圖像數(shù)據(jù)處理的研究中,遙感圖像分類作為挖掘圖像地物信息的有效方法及其他高級應(yīng)用的基礎(chǔ),具有重要的研究意義。遙感圖像的計算機分類是實現(xiàn)將圖像上的所有像元按其屬性劃分成若干個類集群的技術(shù)過程,對于遙感圖像的植被特征直接進行計算機智能提取、分類,不同的理論下有著不同的方法。根據(jù)是否需要分類人員事先提供已知類別及其訓(xùn)練樣本對計算機分類器進行訓(xùn)練和監(jiān)督將其分為非監(jiān)督分類和監(jiān)督分類。監(jiān)督分類方法是一個利用訓(xùn)練樣本反復(fù)使分類器學(xué)習(xí)訓(xùn)練的過程,往往對研究區(qū)域需要有足夠多的先驗知識。而非監(jiān)督分類則是一個聚類的過程,不需要進行人工選擇訓(xùn)練樣本。傳統(tǒng)的均值-方差K-means聚類算法是遙感圖像分類應(yīng)用最廣泛的算法之一也有著不可避免的缺點:1)分類精度不是很高;2)由于初始聚類中心的選取是隨機性的,這樣不同的初始值就會導(dǎo)致分類結(jié)果也會有較大的差異性。針對這樣的缺點,本文在傳統(tǒng)的基于均值-方差的動態(tài)分類法K-means算法的基礎(chǔ)之上提出了基于小波變換的改進K-means算法。在對研究區(qū)內(nèi)選擇出的7類的樣本區(qū)圖像,采用小波理論對它們分別進行二維小波變換處理,以突顯或強化不同地物類型特征。提取樣本能量特征向量作為初始分類中心,再進行K-means分類。避開了隨機選取初值的敏感問題,同時在非監(jiān)督分類方法基礎(chǔ)上有效的融合監(jiān)督分類方法的思想,旨在擁有二者優(yōu)點的同時提高分類精度。通過實驗數(shù)據(jù)結(jié)果表明:1)待分類圖像經(jīng)過單尺度二維離散小波變換后,削弱了相同地物類型內(nèi)部的由于土壤亮度造成的噪聲,提高了不同地物類型的邊緣差異性,因此有利于對遙感圖像進行計算機智能分類;2)對遙感圖像分別進行兩種算法分類,從各個角度的分析和評價得出,本文提出的算法的性能優(yōu)于傳統(tǒng)K-means算法的性能。
【關(guān)鍵詞】：TM遙感圖像 圖像分類 二維小波變換 K-means算法 分類精度
【學(xué)位授予單位】：河北工程大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP751
【目錄】：

• 摘要6-7
• Abstract7-11
• 第1章 緒論11-17
• 1.1 遙感圖像分類的意義11-12
• 1.2 國內(nèi)外研究現(xiàn)狀12-15
• 1.2.1 遙感圖像分類研究現(xiàn)狀12-14
• 1.2.2 K-means算法研究現(xiàn)狀14-15
• 1.3 論文主要研究內(nèi)容15-16
• 1.4 本章小結(jié)16-17
• 第2章 遙感圖像計算機分類技術(shù)17-23
• 2.1 遙感圖像計算機分類17-19
• 2.1.1 計算機分類原理17-18
• 2.1.2 計算機分類一般過程18-19
• 2.2 非監(jiān)督分類19
• 2.3 監(jiān)督分類19-20
• 2.4 新型分類方法20-21
• 2.4.1 基于人工神經(jīng)網(wǎng)絡(luò)的分類20
• 2.4.2 基于決策樹的分類20-21
• 2.4.3 基于專家知識和地學(xué)知識系統(tǒng)的分類21
• 2.5 分類結(jié)果評價標準21-22
• 2.6 本章小結(jié)22-23
• 第3章 研究區(qū)域地物類型樣本圖像選取23-30
• 3.1TM波段選取23-26
• 3.1.1 TM波段光譜特性分析23-24
• 3.1.2 TM波段統(tǒng)計特征分析24-25
• 3.1.3 TM波段相關(guān)系數(shù)分析25-26
• 3.1.4 最佳波段組合26
• 3.2 樣本圖像確定的原則和方法26-27
• 3.3 研究區(qū)地物類型樣本選取27-29
• 3.4 本章小結(jié)29-30
• 第4章 基于二維小波變換的K-means算法的遙感圖像分類30-43
• 4.1 傳統(tǒng)的K-means算法30-31
• 4.2 改進的K-means算法31-42
• 4.2.1 研究區(qū)小波紋理特征分析31-33
• 4.2.2 二維離散小波圖像變換33-36
• 4.2.3 圖像小波變換的統(tǒng)計36-40
• 4.2.4 紋理特征向量提取40
• 4.2.5 算法實現(xiàn)步驟40-42
• 4.3 本章小結(jié)42-43
• 第5章 分類實驗結(jié)果評價與分析43-50
• 5.1 分類結(jié)果45-46
• 5.2 分類評價46-48
• 5.2.1 誤差矩陣46-47
• 5.2.2 Kappa系數(shù)47-48
• 5.3 實驗結(jié)果分析48-49
• 5.4 本章小結(jié)49-50
• 結(jié)論與展望50-52
• 致謝52-53
• 參考文獻53-57
• 附錄57-61
• 作者簡介61-62
• 攻讀碩士期間發(fā)表的論文和參加科研情況62-63

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前9條

1 楊澤運,楊貴軍;帶有地面高程信息的遙感影像計算機分類方法與實現(xiàn)[J];測繪工程;2004年02期

2 陳杉,秦其明;基于小波變換的高分辨率影像紋理結(jié)構(gòu)分類方法[J];地理與地理信息科學(xué);2003年03期

3 趙越;周萍;;改進的K-means算法在遙感圖像分類中的應(yīng)用[J];國土資源遙感;2011年02期

4 趙鑫;宋廣軍;張宏烈;;遙感圖像特征提取算法仿真[J];計算機仿真;2013年06期

5 宋文;劉升;肖建于;;基于半監(jiān)督KFCM及鄰域信息的遙感圖像分類算法[J];計算機工程與應(yīng)用;2014年09期

6 俞璐;謝鈞;;一種多特征結(jié)合的遙感圖像分類方法[J];計算機應(yīng)用與軟件;2014年11期

7 徐麗華,岳文澤,李先華,梅安新,章皖秋;基于二維小波變換的遙感分類研究[J];遙感技術(shù)與應(yīng)用;2003年05期

8 張友水,馮學(xué)智,阮仁宗,麻土華;Kohonen神經(jīng)網(wǎng)絡(luò)在遙感影像分類中的應(yīng)用研究[J];遙感學(xué)報;2004年02期

9 文武;苗放;;基于小波的多尺度邊緣檢測在遙感圖像處理中的應(yīng)用[J];微電子學(xué)與計算機;2013年02期

，

本文編號：984080