利用遙感影像進(jìn)行土地利用覆蓋分類是獲取土地覆蓋信息的重要環(huán)節(jié),也是目前土地利用/土地覆蓋變化研究的重點(diǎn)內(nèi)容。近年來,鑒于高光譜遙感影像具有多波段、高分辨率、包含豐富的信息等巨大優(yōu)勢,利用它對土地利用分類已成為遙感領(lǐng)域的研究熱點(diǎn)。然而,高光譜遙感數(shù)據(jù)的海量、高維等特點(diǎn)也為遙感影像分類的研究帶來了極大的挑戰(zhàn),傳統(tǒng)的分類方法在用于分類時,容易造成處理規(guī)模過大、計算復(fù)雜以及極易陷入極小值等問題,尤其是在分類效率和速度上已很難滿足當(dāng)前應(yīng)用的需求。極限學(xué)習(xí)機(jī)（Extreme Learning Machine,ELM）是于2006年提出的一種快速機(jī)器學(xué)習(xí)算法,在處理大規(guī)模數(shù)據(jù)時展現(xiàn)出學(xué)習(xí)速度快、效率高以及良好的泛化性能等優(yōu)點(diǎn),因此將ELM算法應(yīng)用于高光譜遙感影像分類能夠有效克服該領(lǐng)域所面臨的發(fā)展瓶頸問題。著眼于此,本文將ELM應(yīng)用于高光譜遙感影像分類,主要針對ELM遙感影像分類方法存在的不穩(wěn)定性、魯棒性較差以及分類精度偏低等問題,分別從集成學(xué)習(xí)、充分利用影像紋理特征以及深度學(xué)習(xí)三個不同角度出發(fā),提出了三種基于ELM的遙感影像分類優(yōu)化方法。具體的研究內(nèi)容如下:（1）針對ELM分類中存在的分類結(jié)果的不穩(wěn)... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：93 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與選題依據(jù)
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 研究內(nèi)容與技術(shù)路線
        1.3.1 研究內(nèi)容
        1.3.2 技術(shù)路線
    1.4 本文組織結(jié)構(gòu)
第二章 遙感影像土地利用分類及ELM算法概述
    2.1 遙感影像分類基本原理及步驟
    2.2 高光譜遙感影像土地利用分類
        2.2.1 高光譜遙感影像的表達(dá)及特性
        2.2.2 高光譜遙感影像土地利用分類特點(diǎn)
    2.3 遙感影像土地利用分類方法
        2.3.1 目視解譯
        2.3.2 計算機(jī)自動分類方法
        2.3.3 傳統(tǒng)分類方法的改進(jìn)
        2.3.4 其他分類方法
    2.4 ELM分類算法
        2.4.1 單隱層前饋神經(jīng)網(wǎng)絡(luò)
        2.4.2 ELM算法
    2.5 遙感影像分類精度評價
    2.6 本章小結(jié)
第三章 基于集成學(xué)習(xí)的ELM高光譜遙感影像分類
    3.1 基于ELM的遙感影像分類算法實(shí)現(xiàn)
        3.1.1 ELM分類流程及實(shí)現(xiàn)
        3.1.2 ELM分類存在的問題
    3.2 基于集成學(xué)習(xí)的ELM遙感影像分類優(yōu)化方法設(shè)計與實(shí)現(xiàn)
        3.2.1 整體分類策略與實(shí)現(xiàn)步驟
        3.2.2 訓(xùn)練集重采樣
        3.2.3 修剪ELM基分類器方法設(shè)計與實(shí)現(xiàn)
        3.2.4 ELM基分類器組合方式優(yōu)化
    3.3 實(shí)驗(yàn)及結(jié)果分析
        3.3.1 實(shí)驗(yàn)數(shù)據(jù)介紹
        3.3.2 實(shí)驗(yàn)設(shè)計及結(jié)果
        3.3.3 實(shí)驗(yàn)結(jié)果分析
    3.4 本章小結(jié)
第四章 基于LBP紋理特征的KELM高光譜遙感影像分類
    4.1 局部二值模式(LBP)
    4.2 基于LBP紋理特征的KELM遙感影像分類優(yōu)化方法設(shè)計與實(shí)現(xiàn)
        4.2.1 MNF波段降維方法實(shí)現(xiàn)
        4.2.2 LBP紋理特征提取
        4.2.3 KELM分類
    4.3 實(shí)驗(yàn)及結(jié)果分析
        4.3.1 實(shí)驗(yàn)數(shù)據(jù)與參數(shù)調(diào)優(yōu)
        4.3.2 實(shí)驗(yàn)設(shè)計及結(jié)果
        4.3.3 實(shí)驗(yàn)結(jié)果分析
    4.4 本章小結(jié)
第五章 結(jié)合深度學(xué)習(xí)的ELM高光譜遙感影像分類
    5.1 卷積神經(jīng)網(wǎng)絡(luò)(CNN)
    5.2 基于CNN-ELM的遙感影像分類優(yōu)化方法設(shè)計
        5.2.1 整體分類策略與步驟
        5.2.2 特征提取層設(shè)計
    5.3 基于Keras的CNN-ELM模型實(shí)現(xiàn)
        5.3.1 Keras深度學(xué)習(xí)庫介紹
        5.3.2 CNN-ELM模型構(gòu)建
    5.4 實(shí)驗(yàn)及結(jié)果分析
        5.4.1 實(shí)驗(yàn)設(shè)計及結(jié)果
        5.4.2 實(shí)驗(yàn)結(jié)果分析
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 研究總結(jié)
    6.2 研究展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的成果


【參考文獻(xiàn)】：
期刊論文
[1]基于深度極限學(xué)習(xí)機(jī)的高光譜遙感影像分類研究[J]. 呂飛,韓敏.  大連理工大學(xué)學(xué)報. 2018(02)
[2]基于人工神經(jīng)網(wǎng)絡(luò)法的遙感影像分類研究[J]. 楊艷青,柴旭榮.  山西師范大學(xué)學(xué)報(自然科學(xué)版). 2017(01)
[3]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計算機(jī)應(yīng)用. 2016(09)
[4]ENVI遙感圖像監(jiān)督分類方法比較[J]. 賈建峰.  西部資源. 2014(06)
[5]基于最小距離法的遙感圖像分類[J]. 馮登超,陳剛,肖楷樂,杜文雅,吳新穎.  北華航天工業(yè)學(xué)院學(xué)報. 2012(03)
[6]基于獨(dú)立分量分析的高光譜遙感影像決策樹分類[J]. 林志壘,晏路明.  計算機(jī)應(yīng)用. 2012(02)
[7]改進(jìn)的K-means算法在遙感圖像分類中的應(yīng)用[J]. 趙越,周萍.  國土資源遙感. 2011(02)
[8]基于最優(yōu)波段組合的土地利用/覆蓋遙感信息提取研究[J]. 李謝輝,鄭奕.  安徽農(nóng)業(yè)科學(xué). 2009(14)
[9]基于決策樹的土地利用分類方法研究[J]. 余晶,蔣平安,高敏華.  新疆農(nóng)業(yè)科學(xué). 2009(02)
[10]基于改進(jìn)模糊ISODATA算法的遙感影像非監(jiān)督聚類研究[J]. 沈照慶,舒寧,龔衍,陶建斌.  遙感信息. 2008(05)

博士論文
[1]共生局部二值模式及其應(yīng)用[D]. 齊憲標(biāo).北京郵電大學(xué) 2015

碩士論文
[1]基于ELM和SVM的衛(wèi)星云圖分類研究[D]. 陳晨.南昌航空大學(xué) 2014
[2]基于決策樹的高光譜遙感圖像分類算法研究[D]. 范成龍.燕山大學(xué) 2014
[3]基于SVM遙感圖像分類的參數(shù)優(yōu)化研究[D]. 林海晏.西南林業(yè)大學(xué) 2014
[4]極限學(xué)習(xí)機(jī)的研究與應(yīng)用[D]. 甘露.西安電子科技大學(xué) 2014
[5]基于BP神經(jīng)網(wǎng)絡(luò)的遙感影像分類研究[D]. 張輝.山東師范大學(xué) 2013
[6]基于粗糙集理論和SVM分類算法的遙感影像分類[D]. 黃奇瑞.昆明理工大學(xué) 2012
[7]江蘇鹽城海濱濕地遙感分類與景觀變化研究[D]. 薛星宇.南京師范大學(xué) 2012
[8]基于模糊粗糙集的遙感圖像土地利用區(qū)域多中心分類法[D]. 鐘迎春.湖南科技大學(xué) 2011
[9]基于支持向量機(jī)的高光譜圖像分類技術(shù)研究[D]. 孫麗娟.哈爾濱工程大學(xué) 2011
[10]基于BP人工神經(jīng)網(wǎng)絡(luò)的遙感影像土地覆蓋分類研究[D]. 趙靜.中國地質(zhì)大學(xué) 2010



本文編號：3323310