【摘要】：遙感圖像的變化監(jiān)測(cè)是通過對(duì)同一地區(qū)不同時(shí)間的多副遙感圖像進(jìn)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(cè)技術(shù)的日益成熟,遙感圖像的變化監(jiān)測(cè)已經(jīng)成為監(jiān)測(cè)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(biāo)簽信息,分類效果較好。但樣本的標(biāo)簽信息不易得到,因?yàn)闃?biāo)記樣本點(diǎn)需要領(lǐng)域?qū)＜业膸椭?且費(fèi)時(shí)費(fèi)力。無監(jiān)督分類算法由于沒有使用樣本點(diǎn)的任何先驗(yàn)知識(shí),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(diǎn),通過標(biāo)記少量樣本點(diǎn)達(dá)到提高分類精度的目的�；谝陨戏治�,本文在變化監(jiān)測(cè)技術(shù)中采取了半監(jiān)督分類方法。針對(duì)樣本點(diǎn)標(biāo)記困難的問題,本文給出了一種新的標(biāo)記方法。在現(xiàn)有的變化監(jiān)測(cè)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(biāo)記方法。半監(jiān)督分類要標(biāo)記部分樣本點(diǎn)的類標(biāo)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(jī)標(biāo)注的方法獲得部分樣本點(diǎn)的類標(biāo)簽,但這種標(biāo)記方法有時(shí)會(huì)影響分類結(jié)果。本文針對(duì)變化監(jiān)測(cè)問題,根據(jù)差值圖像,給出了一種新的標(biāo)記方法,分別標(biāo)記差值圖像中的變化點(diǎn)和不變點(diǎn)。該方法將差值圖像中的像元點(diǎn)按灰度值大小排序,將灰度值小的點(diǎn)(在具體實(shí)驗(yàn)中灰度值為0的部分點(diǎn))標(biāo)記為不變點(diǎn),灰度值較大的點(diǎn)標(biāo)記為變化點(diǎn)。(2)本文在現(xiàn)有的變化監(jiān)測(cè)方法以及新的樣本點(diǎn)標(biāo)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(yùn)用本文提出的樣本點(diǎn)標(biāo)記方法標(biāo)記差值圖像中的變化點(diǎn)和不變點(diǎn),然后運(yùn)用一種改進(jìn)的半監(jiān)督FCM方法對(duì)差值圖像分類,最后針對(duì)聚類過程中出現(xiàn)的噪聲點(diǎn),運(yùn)用馬爾可夫隨機(jī)場(chǎng)模型將空間信息融入變化監(jiān)測(cè)過程中,得到變化監(jiān)測(cè)結(jié)果。為了驗(yàn)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(shí)驗(yàn)。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(cè)方法對(duì)變法監(jiān)測(cè)問題是行之有效的,KAPPA系數(shù)可以達(dá)到85%以上。
【圖文】：

*1*g( x)yK(xx)bliiiij (3持向量機(jī)具有堅(jiān)實(shí)的理論基礎(chǔ)，它很好的解決了機(jī)器學(xué)習(xí)中現(xiàn)存的過學(xué)習(xí)和維問題，成功運(yùn)用于數(shù)據(jù)挖掘的不同領(lǐng)域，在變化監(jiān)測(cè)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(gè)領(lǐng)域，在變化監(jiān)測(cè)領(lǐng)域也取得了一定的進(jìn)展。物神經(jīng)元的結(jié)構(gòu)如圖 3-1 所示，，細(xì)胞體的外部有多個(gè)樹突和一個(gè)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(dāng)脈沖傳遞的信息到達(dá)神突末梢時(shí)，則會(huì)向突觸間隙釋放某種化學(xué)物質(zhì)，從而形成電位，當(dāng)下一個(gè)生物細(xì)胞體周圍累積到一個(gè)特定的電位差，也就是閾值電位時(shí)，又會(huì)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(gè)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(hào)，TnW (w,w,...,w)12 為神經(jīng)元的連接權(quán)值，當(dāng)此權(quán)值為正時(shí)，神經(jīng)元被激活，反之被抑制。輸入信息與連接權(quán)進(jìn)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(dāng)輸入信號(hào)的加權(quán)和數(shù)值即k 超過特定閾值kb 時(shí)，則非線性函數(shù)被激活。ky 為輸出信號(hào)()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(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：P237

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 羅方權(quán);馬克委;吳建良;;多時(shí)相遙感影像的變化監(jiān)測(cè)方法研究[J];現(xiàn)代測(cè)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(cè)方法[J];測(cè)繪學(xué)報(bào);2014年09期

3 王麗云;李艷;汪禹芹;;基于對(duì)象變化矢量分析的土地利用變化檢測(cè)方法研究[J];地球信息科學(xué)學(xué)報(bào);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(shí)相遙感影像變化檢測(cè)方法研究進(jìn)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(zhǔn)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(cè)[J];生態(tài)科學(xué);2013年03期

7 夏雙;阮仁宗;顏梅春;王玉強(qiáng);;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(cè)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(jì)華;;基于多時(shí)相TM影像的冬小麥面積變化監(jiān)測(cè)[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(bào)(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(zhǔn)確性增強(qiáng)的遙感影像變化檢測(cè)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(cè)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(shí)令水體提取及變化監(jiān)測(cè)[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(jìn)的ECOC SVMs及其在礦區(qū)土地利用/覆被變化監(jiān)測(cè)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(cè)與地物識(shí)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(cè)的研究[D];西安電子科技大學(xué);2013年

7 劉明;基于先驗(yàn)知識(shí)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(píng)價(jià)和預(yù)測(cè)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(hào)：2610245