發(fā)布時(shí)間：2017-05-16 18:00

  本文關(guān)鍵詞：光譜和空間特征聯(lián)合的高光譜遙感影像多分類(lèi)器集成方法，由筆耕文化傳播整理發(fā)布。

【摘要】：高光譜遙感影像在表征地表空間特征的同時(shí),還具備精細(xì)的光譜特征,圖譜合一的特性使高光譜遙感具有其它遙感技術(shù)所不具備的優(yōu)勢(shì)。然而高維特性以及樣本的有限性也給高光譜影像處理提出了諸多挑戰(zhàn)。針對(duì)高維特征空間和小樣本問(wèn)題構(gòu)建高穩(wěn)定性、高精度的分類(lèi)模型是高光譜遙感影像分類(lèi)領(lǐng)域亟需解決的重要科學(xué)問(wèn)題。光譜和空間特征聯(lián)合的分類(lèi)方法綜合了光譜和空間特征的優(yōu)勢(shì),通過(guò)利用地物空間相關(guān)性信息和上下文特征,可保留圖像更豐富的細(xì)節(jié)特征,較好地彌補(bǔ)了單純基于光譜信息分類(lèi)的不足。多分類(lèi)器集成的方法提高了集成學(xué)習(xí)中各成員之間的差異性和互補(bǔ)性,綜合了不同分類(lèi)器的優(yōu)勢(shì),可以獲得較高的分類(lèi)精度。本文在高光譜影像空間特征提取和集成學(xué)習(xí)理論分析的基礎(chǔ)上,系統(tǒng)研究了聯(lián)合光譜和特征的高光譜遙感影像多分類(lèi)器集成方法,利用形態(tài)學(xué)屬性剖面來(lái)提取遙感影像中多重空問(wèn)幾何結(jié)構(gòu),提出了基于形態(tài)學(xué)屬性剖面的高光譜影像多分類(lèi)器集成方法和基于自適應(yīng)形態(tài)學(xué)屬性剖面的高光譜影像分類(lèi)方法,以上兩種方法都是光譜和空間特征聯(lián)合分類(lèi)方法中的同步處理策略。在此基礎(chǔ)上,提出了光譜和空間特征聯(lián)合的高光譜影像后處理方法一綜合聚類(lèi)信息的高光譜影像多分類(lèi)器集成方法,該方法利用聚類(lèi)結(jié)果得到圖像對(duì)象,以圖像對(duì)象為基本單元進(jìn)行分類(lèi),獲得了低噪聲、高魯棒性的結(jié)果。采用ROSIS、AVIRIS和GRSS-DFC-2013高光譜遙感影像檢驗(yàn)了本文方法的有效性。論文主要研究結(jié)論和創(chuàng)新點(diǎn)：1)借助形態(tài)學(xué)屬性剖面獲取影像的多重空間特征,然后用極限學(xué)習(xí)機(jī)、支持向量機(jī)和旋轉(zhuǎn)森林等方法進(jìn)行分類(lèi),將多個(gè)分類(lèi)結(jié)果以多數(shù)投票的方式集成,實(shí)現(xiàn)分類(lèi)。相比已有的集成學(xué)習(xí)方法,同時(shí)考慮了不同光譜維形態(tài)學(xué)屬性剖面空間特征構(gòu)建以及基分類(lèi)器的聯(lián)合集成,綜合不同的空間特征和不同分類(lèi)器的優(yōu)勢(shì),提高了分類(lèi)結(jié)果的精度和泛化能力。2)基于集成學(xué)習(xí)的理念,提出一種自適應(yīng)形態(tài)學(xué)屬性剖面的多分類(lèi)器集成方法。首先設(shè)置一定的參數(shù)范圍,然后在參數(shù)范圍內(nèi)多次選擇參數(shù)構(gòu)建形態(tài)學(xué)屬性剖面,生成基分類(lèi)結(jié)果,循環(huán)迭代多次后,將多個(gè)基分類(lèi)結(jié)果通過(guò)多數(shù)投票的方式集成。形態(tài)學(xué)屬性剖面獲取豐富的空間細(xì)節(jié)特征,集成學(xué)習(xí)的方法不僅克服了形態(tài)學(xué)屬性剖面參數(shù)選擇的難題,同時(shí)增強(qiáng)了分類(lèi)的結(jié)果的穩(wěn)定性。3)使用不同聚類(lèi)方法(K均值、迭代自組織分析算法、模糊C均值算法和K中心)獲得聚類(lèi)結(jié)果,通過(guò)四連通區(qū)域標(biāo)記進(jìn)行圖像對(duì)象的劃分和標(biāo)記,根據(jù)逐像素分類(lèi)結(jié)果采用多數(shù)投票法進(jìn)行逐對(duì)象分類(lèi),借助凹槽窗口鄰域?yàn)V波技術(shù)改進(jìn)分類(lèi)結(jié)果,削弱“椒鹽”現(xiàn)象。該集成方案綜合了監(jiān)督分類(lèi)和非監(jiān)督分類(lèi)的優(yōu)勢(shì),通過(guò)聚類(lèi)引入地物空間相關(guān)關(guān)系和下文特征,較好地彌補(bǔ)了單純基于光譜信息分類(lèi)的不足。本文的方法是在光譜和空間特征聯(lián)合的框架下進(jìn)行,同時(shí)考慮多分類(lèi)器集成的方法原理。三者是并行關(guān)系,前二者屬于聯(lián)合光譜與空間信息的同步處理策略,第三種方法屬于后處理策略。本文既考慮光譜特征和空間特征的結(jié)合,又利用了集成學(xué)習(xí)的優(yōu)勢(shì),對(duì)光譜和空間特征聯(lián)合的高光譜遙感影像分類(lèi)方法進(jìn)行了初探,分類(lèi)結(jié)果保留了豐富的細(xì)節(jié)特征,在提高分類(lèi)精度的同時(shí),增強(qiáng)了的分類(lèi)的穩(wěn)定性。
【關(guān)鍵詞】：高光譜遙感 分類(lèi) 空間特征 形態(tài)學(xué)屬性剖面 多分類(lèi)器集成
【學(xué)位授予單位】：南京大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：P237
【目錄】：

• 摘要5-7
• ABSTRACT7-17
• 第一章 引言17-37
• 1.1 研究背景及意義17-23
• 1.1.1 研究背景17-22
• 1.1.2 研究意義22-23
• 1.2 國(guó)內(nèi)外研究進(jìn)展23-30
• 1.2.1 國(guó)外研究進(jìn)展24-28
• 1.2.2 國(guó)內(nèi)研究進(jìn)展28-29
• 1.2.3 存在問(wèn)題29-30
• 1.3 實(shí)驗(yàn)數(shù)據(jù)30-33
• 1.4 本文的組織結(jié)構(gòu)33-37
• 第二章 高光譜遙感處理相關(guān)方法與策略37-51
• 2.1 高光譜遙感處理技術(shù)37-39
• 2.1.1 特征選擇與特征提取37-38
• 2.1.2 光譜匹配38-39
• 2.1.3 混合象元分解39
• 2.2 高光譜遙感圖像分類(lèi)39-44
• 2.2.1 支持向量機(jī)40-42
• 2.2.2 極限學(xué)習(xí)42-43
• 2.2.3 旋轉(zhuǎn)森林43-44
• 2.3 光譜和空間特征聯(lián)合的高光譜遙感影像分類(lèi)44-47
• 2.3.1 光譜和空間特征聯(lián)合的高光譜遙感影像分類(lèi)同步處理45-46
• 2.3.2 光譜和空間特征聯(lián)合的高光譜遙感影像分類(lèi)后處理46-47
• 2.4 基于集成學(xué)習(xí)的高光譜影像分類(lèi)47-51
• 第三章 基于形態(tài)學(xué)屬性剖面的高光譜影像多分類(lèi)器集成方法51-65
• 3.1 基于形態(tài)學(xué)屬性剖面的空間特征提取51-53
• 3.2 基于形態(tài)學(xué)屬性剖面的分類(lèi)算法53-54
• 3.3 實(shí)驗(yàn)及分析54-63
• 3.4 小結(jié)63-65
• 第四章 基于自適應(yīng)形態(tài)學(xué)屬性剖面的高光譜影像多分類(lèi)器集成方法65-87
• 4.1 基于自適應(yīng)形態(tài)學(xué)屬性剖面空間特征提取65-66
• 4.2 基于自適應(yīng)形態(tài)學(xué)屬性剖面分類(lèi)算法66-68
• 4.3 實(shí)驗(yàn)及分析68-85
• 4.4 小結(jié)85-87
• 第五章 綜合聚類(lèi)信息的高光譜影像多分類(lèi)器集成方法87-103
• 5.1 基于聚類(lèi)信息的空間特征提取87-88
• 5.2 多數(shù)投票對(duì)象分類(lèi)88-89
• 5.3 鄰域?yàn)V波優(yōu)化 （Filtering Optimization Processing, FP)89-90
• 5.4 綜合聚類(lèi)信息的分類(lèi)算法90-93
• 5.5 實(shí)驗(yàn)及分析93-101
• 5.6 小結(jié)101-103
• 第六章 結(jié)論與展望103-107
• 6.1 研究結(jié)論103
• 6.2 論文創(chuàng)新點(diǎn)103-104
• 6.3 研究展望104-107
• 參考文獻(xiàn)107-115
• 致謝115-117
• 在學(xué)期間所取得的學(xué)術(shù)成果117-118

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 張雄美;易昭湘;田淞;宋建社;;結(jié)合形態(tài)學(xué)屬性斷面與支持向量機(jī)的合成孔徑雷達(dá)圖像變化檢測(cè)[J];光學(xué)精密工程;2014年10期

2 劉培;杜培軍;譚琨;;一種基于集成學(xué)習(xí)和特征融合的遙感影像分類(lèi)新方法[J];紅外與毫米波學(xué)報(bào);2014年03期

3 李娜;李詠潔;趙慧潔;曹揚(yáng);;基于光譜與空間特征結(jié)合的改進(jìn)高光譜數(shù)據(jù)分類(lèi)算法[J];光譜學(xué)與光譜分析;2014年02期

4 張雁;林英;呂丹桔;;集成學(xué)習(xí)在遙感分類(lèi)中的應(yīng)用[J];計(jì)算機(jī)與數(shù)字工程;2013年05期

5 何明一;暢文娟;梅少輝;;高光譜遙感數(shù)據(jù)特征挖掘技術(shù)研究進(jìn)展[J];航天返回與遙感;2013年01期

6 杜培軍;阿里木·賽買(mǎi)提;;高分辨率遙感影像分類(lèi)的多示例集成學(xué)習(xí)[J];遙感學(xué)報(bào);2013年01期

7 楊紅磊;彭軍還;;基于馬爾可夫隨機(jī)場(chǎng)的模糊c-均值遙感影像分類(lèi)[J];測(cè)繪學(xué)報(bào);2012年02期

8 杜培軍;張偉;夏俊士;;Hyperspectral remote sensing image classification based on decision level fusion[J];Chinese Optics Letters;2011年03期

9 楊藝;韓崇昭;韓德強(qiáng);;利用特征子空間評(píng)價(jià)與多分類(lèi)器融合的高光譜圖像分類(lèi)[J];西安交通大學(xué)學(xué)報(bào);2010年08期

10 吳婉瀾;皮亦鳴;何強(qiáng);;AdaBoost算法實(shí)現(xiàn)全極化SAR圖像分類(lèi)[J];信號(hào)處理;2009年10期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前3條

1 夏俊士;基于集成學(xué)習(xí)的高光譜遙感影像分類(lèi)[D];中國(guó)礦業(yè)大學(xué);2013年

2 張立福;通用光譜模式分解算法及植被指數(shù)的建立[D];武漢大學(xué);2005年

3 劉偉東;高光譜遙感土壤信息提取與挖掘研究[D];中國(guó)科學(xué)院研究生院（遙感應(yīng)用研究所）;2002年

  本文關(guān)鍵詞：光譜和空間特征聯(lián)合的高光譜遙感影像多分類(lèi)器集成方法，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：371498