本文選題：QuickBird影像 + 隨機(jī)森林��； 參考：《東華理工大學(xué)》2017年碩士論文

【摘要】：近年來,隨著科學(xué)技術(shù)的快速發(fā)展,各種資源衛(wèi)星的發(fā)射,人類能夠?qū)崟r的獲取地表的各種信息,遙感行業(yè)的發(fā)展也日日漸進(jìn),高光譜、高分辨率等遙感影像也隨之出現(xiàn)。高分辨影像由于其空間分辨率高、空間信息豐富等特點受到研究者們的青睞,然而同時也存在著數(shù)據(jù)量大、紋理特征復(fù)雜等問題難以解決。因此,高分辨率影像的遙感技術(shù)始終處于落后階段,高分辨率影像數(shù)據(jù)的處理及其信息提取也一直是困擾眾多研究者的難題,這也使得高分辨率遙感不能得到普遍的應(yīng)用。但毫無疑問,由于高分辨率影像有著眾多的優(yōu)點,在未來一定會成為遙感行業(yè)發(fā)展的重要方向。同時隨著社會的發(fā)展,城市作為人類生活最為聚集的場所,其信息的獲取、更新也變得尤為重要。同時,隨著獲取的遙感影像質(zhì)量越來越高,各種新的處理方法也隨之產(chǎn)生。而機(jī)器學(xué)習(xí)法在目前遙感圖像分類中是最為有效的方法之一。隨機(jī)森林作為一種新興的機(jī)器學(xué)習(xí)法,由于這種方法分類精度較高、運(yùn)算速度快、分類較穩(wěn)定等特點,越來越廣泛的被用于遙感行業(yè)。本文以QuickBird影像為研究數(shù)據(jù),基于隨機(jī)森林的分類方法,對隨機(jī)森林的分類器模型進(jìn)行了構(gòu)建設(shè)計,通過實驗確立了分類器的最優(yōu)參數(shù)mtry為2,ntree為80。同時在實驗中對影像在不同分割尺度下的所提取的特征效果圖分別進(jìn)行了分析與對比,結(jié)果表明分割尺度在50,緊致度為0.3,光譜因子為0.5的情況下分類準(zhǔn)確性最高,實現(xiàn)了對城市的地物信息進(jìn)行分類提取。并同時與支持向量機(jī)以及超限學(xué)習(xí)機(jī)這兩種方法的分類結(jié)果進(jìn)行了分析比較。結(jié)果顯示,RF分類結(jié)果中錯誤分類的情況最少,在提取某一地物時能實現(xiàn)對其它地物的零誤分情況,相對于其他兩種分類方法大大提高了分類結(jié)果的準(zhǔn)確率,分類結(jié)果最佳。本文將目前國內(nèi)分辨率較高的遙感影像和有效的分類模型結(jié)合在一起,實現(xiàn)了對城市土地利用的分類,驗證了機(jī)器學(xué)習(xí)法在遙感影像分類應(yīng)用中的高效性。
[Abstract]:In recent years, with the rapid development of science and technology, the launch of various resource satellites, people can real-time access to all kinds of information on the surface, the development of remote sensing industry is also gradually, hyperspectral, high-resolution remote sensing images have also appeared. High-resolution images are favored by researchers because of their high spatial resolution and rich spatial information. However, there are also some problems such as large amount of data and complex texture features. Therefore, the remote sensing technology of high-resolution image is always in the backward stage, the processing of high-resolution image data and its information extraction has been a difficult problem for many researchers, which makes high-resolution remote sensing can not be widely used. But there is no doubt that high resolution image has many advantages and will become an important direction of remote sensing industry in the future. At the same time, with the development of society, the city as the most gathering place of human life, its information acquisition and update has become particularly important. At the same time, with the increasing quality of the obtained remote sensing image, a variety of new processing methods have emerged. Machine learning is one of the most effective methods in remote sensing image classification. As a new machine learning method, stochastic forest is more and more widely used in remote sensing industry because of its high accuracy, fast operation and stable classification. In this paper, based on the QuickBird image and the classification method of random forest, the classifier model of random forest is constructed and designed. The optimal parameter mtry of the classifier is determined by experiment to be 2ntree is 80. At the same time, the experimental results show that the classification accuracy is the highest when the segmentation scale is 50, the compactness is 0.3, the spectral factor is 0.5, and the classification accuracy is the highest when the segmentation scale is 50, the compactness is 0.3, and the spectral factor is 0.5. The classification and extraction of the feature information of the city are realized. At the same time, the classification results of support vector machine and over-limit learning machine are analyzed and compared. The results show that the error classification is the least among the results of RF classification, and the zero error classification of other objects can be realized in the extraction of one ground object. Compared with the other two classification methods, the accuracy of classification results is greatly improved, and the classification result is the best. In this paper, the high resolution remote sensing images and the effective classification model are combined to realize the classification of urban land use, which verifies the high efficiency of the machine learning method in the classification of remote sensing images.
【學(xué)位授予單位】：東華理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：P237

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 翟天林;金貴;鄧祥征;李兆華;王潤;;基于多源遙感影像融合的武漢市土地利用分類方法研究[J];長江流域資源與環(huán)境;2016年10期

2 李淑圓;周靜妍;余世孝;;基于高分辨率遙感影像的廣州城市土地覆被分類系統(tǒng)[J];中山大學(xué)學(xué)報(自然科學(xué)版);2016年05期

3 孫彥花;;基于高分辨率遙感數(shù)據(jù)的礦區(qū)地形更新方法探討[J];科技創(chuàng)新與應(yīng)用;2015年24期

4 胡偉強(qiáng);鹿艷晶;;遙感圖像分類方法綜述[J];中小企業(yè)管理與科技(下旬刊);2015年08期

5 何新;李大輝;付軍;;特征提取算法KPCA的改進(jìn)與設(shè)計[J];高師理科學(xué)刊;2015年06期

6 佘為;;C4.5算法的改進(jìn)及應(yīng)用[J];信息與電腦(理論版);2015年12期

7 趙志勇;李元香;喻飛;易云飛;;基于極限學(xué)習(xí)的深度學(xué)習(xí)算法[J];計算機(jī)工程與設(shè)計;2015年04期

8 計興月;陳多長;;杭州市主城區(qū)居住空間結(jié)構(gòu)研究[J];浙江工業(yè)大學(xué)學(xué)報(社會科學(xué)版);2015年01期

9 劉海娟;張婷;侍昊;徐雁南;吳文龍;余佩玲;;基于RF模型的高分辨率遙感影像分類評價[J];南京林業(yè)大學(xué)學(xué)報(自然科學(xué)版);2015年01期

10 劉敏;郎榮玲;曹永斌;;隨機(jī)森林中樹的數(shù)量[J];計算機(jī)工程與應(yīng)用;2015年05期

相關(guān)會議論文 前1條

1 劉明貴;彭俊偉;;進(jìn)化支持向量機(jī)在基樁低應(yīng)變完整性檢測中的應(yīng)用[A];2007'湖北·武漢NDT學(xué)術(shù)年會論文集[C];2007年

相關(guān)博士學(xué)位論文 前1條

1 雷震;隨機(jī)森林及其在遙感影像處理中應(yīng)用研究[D];上海交通大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 黎新裕;基于機(jī)器學(xué)習(xí)法滑坡災(zāi)害信息的自動化提取[D];成都理工大學(xué);2016年

2 孫燕霞;基于高空間分辨率遙感影像的土地利用信息提取[D];重慶交通大學(xué);2014年

3 竇鵬;基于投票法的多分類器集成遙感影像分類技術(shù)[D];蘭州交通大學(xué);2014年

4 寧永鵬;高維小樣本數(shù)據(jù)的特征選擇研究及其穩(wěn)定性分析[D];廈門大學(xué);2014年

5 李金山;復(fù)雜地形區(qū)土地利用/土地覆被分類研究[D];青海師范大學(xué);2013年

6 陳志勇;基于高分辨率遙感影像的城市土地覆被變化分析研究[D];蘭州交通大學(xué);2013年

7 陳華勝;基于輻射傳輸模型的機(jī)載高光譜遙感圖像大氣校正研究[D];南京理工大學(xué);2013年

8 任建斌;基于小波變換和BP人工神經(jīng)網(wǎng)絡(luò)的遙感影像分類研究[D];內(nèi)蒙古師范大學(xué);2012年

9 費(fèi)燕明;汾河流域土壤侵蝕動態(tài)變化分析[D];太原理工大學(xué);2012年

10 陳潔塵;基于集群的高性能遙感影像水體提取方法研究[D];浙江工業(yè)大學(xué);2012年

，

本文編號：1805328