近些年來(lái),遙感技術(shù)持續(xù)發(fā)展,衛(wèi)星傳感器的空間分辨率也在不斷提高,為研究者們提供了更多具有豐富而清晰地表信息的影像數(shù)據(jù),也為土地覆蓋分析提供更多便利。與此同時(shí),為了克服傳統(tǒng)基于像元的圖像分析模式所帶來(lái)的“椒鹽現(xiàn)象”、“同物異譜”與“異物同譜”等問(wèn)題,一種面向?qū)ο蟮挠跋穹治觯∣BIA,Object Based Image Analysis）技術(shù)得以出現(xiàn)并發(fā)展。此處的對(duì)象指的是經(jīng)由影像分割過(guò)程得到的、均勻度較高的多個(gè)像素連通區(qū)域。相較于像素,影像對(duì)象具備更豐富的特征,除了常見(jiàn)的光譜特征,還包括形狀特征,如:長(zhǎng)寬比、面積、形狀指數(shù)等,以及紋理特征,如:同質(zhì)性、異質(zhì)性、對(duì)比度、角二階矩等。影像特征的多樣化為圖像分析帶來(lái)便利,但同時(shí)也可能因?yàn)樘卣鲾?shù)目過(guò)多而造成“維數(shù)災(zāi)難”并降低影像分類精度,因此,有必要針對(duì)面向?qū)ο蟮母叻直媛蔬b感影像特征進(jìn)行擇優(yōu)篩選。另外,當(dāng)前影像分類中常用的監(jiān)督模式中訓(xùn)練樣本集的選取對(duì)人工經(jīng)驗(yàn)要求較高,且易受到人為主觀因素的影響,最終影響分類算法的性能,因此,進(jìn)行無(wú)監(jiān)督或半監(jiān)督分類研究具有一定的意義。當(dāng)前對(duì)多分類器集成的研究主要以同種分類器集成為主,為了進(jìn)一步促進(jìn)學(xué)習(xí)算法之間的優(yōu)... 

【文章頁(yè)數(shù)】：113 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀綜述
        1.2.1 遙感影像特征選擇研究現(xiàn)狀
        1.2.2 高分辨率遙感影像面向?qū)ο蠓诸惙椒ㄑ芯楷F(xiàn)狀
        1.2.3 多分類器集成技術(shù)研究現(xiàn)狀
    1.3 研究目標(biāo)、研究?jī)?nèi)容與技術(shù)路線
        1.3.1 研究目標(biāo)
        1.3.2 研究?jī)?nèi)容
        1.3.3 技術(shù)路線
    1.4 章節(jié)安排
第2章 相關(guān)理論與方法分析
    2.1 特征選擇相關(guān)理論
        2.1.1 遺傳算法
        2.1.2 禁忌搜索算法
    2.2 分類相關(guān)理論
        2.2.1 模糊C均值聚類算法
        2.2.2 支持向量機(jī)
        2.2.3 BP神經(jīng)網(wǎng)絡(luò)
        2.2.4 C4.5決策樹(shù)分類器
        2.2.5 KNN算法
        2.2.6 樸素貝葉斯
        2.2.7 多元線性回歸模型
    2.3 本章小結(jié)
第3章 基于遺傳算法與禁忌搜索算法的特征選擇
    3.1 對(duì)象特征構(gòu)建
        3.1.1 光譜特征
        3.1.2 形狀特征
        3.1.3 紋理特征
    3.2 利用禁忌搜索改進(jìn)遺傳算法的特征選擇方法
        3.2.1 基于遺傳算法的特征選擇
        3.2.2 基于禁忌搜索的特征選擇
        3.2.3 特征評(píng)價(jià)函數(shù)
        3.2.4 遺傳算法與禁忌搜索相結(jié)合的特征選擇方法
    3.3 算法實(shí)現(xiàn)過(guò)程
    3.4 實(shí)驗(yàn)與分析
        3.4.1 實(shí)驗(yàn)數(shù)據(jù)與準(zhǔn)備
        3.4.2 實(shí)驗(yàn)內(nèi)容與結(jié)果
        3.4.3 精度分析與評(píng)價(jià)
    3.5 本章小結(jié)
第4章 基于模糊C均值與支持向量機(jī)的半監(jiān)督分類
    4.1 半監(jiān)督的FCM訓(xùn)練樣本獲取方法
    4.2 半監(jiān)督的迭代自優(yōu)化支持向量機(jī)分類
    4.3 算法實(shí)現(xiàn)過(guò)程
    4.4 實(shí)驗(yàn)與分析
        4.4.1 實(shí)驗(yàn)數(shù)據(jù)與準(zhǔn)備
        4.4.2 實(shí)驗(yàn)內(nèi)容與結(jié)果
        4.4.3 精度分析與評(píng)價(jià)
    4.5 本章小結(jié)
第5章 基于層疊泛化模型的多分類器集成分類
    5.1 層疊泛化模型
    5.2 權(quán)重自適應(yīng)的層疊泛化集成分類
    5.3 實(shí)驗(yàn)與分析
        5.3.1 實(shí)驗(yàn)內(nèi)容與結(jié)果
        5.3.2 精度分析與評(píng)價(jià)
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 研究?jī)?nèi)容總結(jié)
    6.2 本文創(chuàng)新點(diǎn)
    6.3 研究展望
參考文獻(xiàn)
攻讀博士學(xué)位期間發(fā)表的科研成果目錄
致謝


【參考文獻(xiàn)】：
期刊論文
[1]高分辨率遙感影像的自優(yōu)化迭代分類方法[J]. 史蕾,萬(wàn)幼川,李剛,姜瑩.  國(guó)防科技大學(xué)學(xué)報(bào). 2017(04)
[2]基于半監(jiān)督的多目標(biāo)進(jìn)化模糊聚類算法[J]. 王俊,趙鳳.  計(jì)算機(jī)工程與應(yīng)用. 2017(22)
[3]基于禁忌搜索算法的特征選擇方法研究[J]. 胡天寒,葉明全,張浩,盧小杰.  滁州學(xué)院學(xué)報(bào). 2016(05)
[4]基于C4.5決策樹(shù)的多特征遙感分類方法[J]. 曹洪濤,張拯寧,李明,李器宇,陳浩.  測(cè)繪工程. 2016(03)
[5]基于ReliefF和PSO混合特征選擇的面向?qū)ο笸恋乩梅诸怺J]. 肖艷,姜琦剛,王斌,李遠(yuǎn)華,劉舒,崔璨.  農(nóng)業(yè)工程學(xué)報(bào). 2016(04)
[6]基于分類器集成的高光譜遙感圖像分類方法[J]. 樊利恒,呂俊偉,鄧江生.  光學(xué)學(xué)報(bào). 2014(09)
[7]聚類特征和SVM組合的高光譜影像半監(jiān)督協(xié)同分類[J]. 張磊,邵振峰,周熙然,丁霖.  測(cè)繪學(xué)報(bào). 2014(08)
[8]基于EnMAP-Box的遙感圖像分類研究[J]. 林海晏,岳彩榮,吳曉暉,胥輝,鄭欣.  西南林業(yè)大學(xué)學(xué)報(bào). 2014(02)
[9]多元線性回歸與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)比與運(yùn)用研究[J]. 張景陽(yáng),潘光友.  昆明理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2013(06)
[10]無(wú)人工樣本的SVM遙感圖像分類方法[J]. 李俊,陳善學(xué),馮銀波.  電視技術(shù). 2013(23)

博士論文
[1]基于高分一/六號(hào)衛(wèi)星影像特征的農(nóng)作物分類研究[D]. 鄭利娟.中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院遙感與數(shù)字地球研究所) 2017
[2]中高分辨率遙感影像森林類型精細(xì)分類與森林資源變化監(jiān)測(cè)技術(shù)研究[D]. 任沖.中國(guó)林業(yè)科學(xué)研究院 2016
[3]高分辨率遙感森林植被分類提取研究[D]. 李偉濤.北京林業(yè)大學(xué) 2016
[4]基于半監(jiān)督集成支持向量機(jī)的土地覆蓋遙感分類方法研究[D]. 劉穎.中國(guó)科學(xué)院研究生院(東北地理與農(nóng)業(yè)生態(tài)研究所) 2013
[5]高分辨率遙感影像面向?qū)ο蠓诸惙椒ㄑ芯縖D]. 陳杰.中南大學(xué) 2010
[6]基于內(nèi)容圖像檢索關(guān)鍵技術(shù)的研究[D]. 劉為.吉林大學(xué) 2010
[7]基于支持向量機(jī)分類的面向?qū)ο笸恋馗脖粓D像分類方法研究[D]. 員永生.西北農(nóng)林科技大學(xué) 2010
[8]面向?qū)ο蟮腟POT5圖像森林分類研究[D]. 李春干.北京林業(yè)大學(xué) 2009
[9]分類器集成研究[D]. 謝元澄.南京理工大學(xué) 2009
[10]高分辨率遙感圖像分類技術(shù)研究[D]. 陳忠.中國(guó)科學(xué)院研究生院（遙感應(yīng)用研究所） 2006

碩士論文
[1]基于水稻高光譜遙感數(shù)據(jù)的植被指數(shù)產(chǎn)量模型研究[D]. 洪雪.沈陽(yáng)農(nóng)業(yè)大學(xué) 2017
[2]基于KNN算法的空間手勢(shì)識(shí)別研究與應(yīng)用[D]. 張碩.吉林大學(xué) 2017
[3]基于Fisher Score及遺傳算法的特征選擇方法研究[D]. 周密.暨南大學(xué) 2016
[4]基于主成分分析與多元線性回歸分析的灌溉水利用效率影響因素分析[D]. 劉玉金.內(nèi)蒙古農(nóng)業(yè)大學(xué) 2014
[5]基于支持向量機(jī)的網(wǎng)絡(luò)輿情危機(jī)預(yù)警研究[D]. 張艷巖.江西財(cái)經(jīng)大學(xué) 2013
[6]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
[7]高分辨率影像面向?qū)ο蠓诸愄卣鬟x擇方法研究[D]. 楊寧.西安科技大學(xué) 2012
[8]基于決策樹(shù)算法的遙感影像海冰檢測(cè)技術(shù)研究與應(yīng)用[D]. 任朝輝.青島大學(xué) 2012
[9]基于遺傳算法的混合特征選擇方法研究[D]. 王娜.陜西師范大學(xué) 2012
[10]樸素貝葉斯分類改進(jìn)算法的研究[D]. 彭興媛.重慶大學(xué) 2012



本文編號(hào)：3732995