【摘要】：遙感技術(shù)是一門涉及到多種領(lǐng)域的綜合性探測技術(shù),能把接收到的地物所輻射的電磁波信息進(jìn)行不同方式的處理,從而觀測和識別各類地物和相關(guān)現(xiàn)象。該技術(shù)在很多領(lǐng)域都有應(yīng)用,已經(jīng)成為測繪和規(guī)劃、地球環(huán)境資源調(diào)查領(lǐng)域應(yīng)用過程中不可缺少的有效手段。遙感影像的分類與制圖為制作或更新地圖和專題圖提供了重要的技術(shù)手段,為各行業(yè)的發(fā)展提供了真實(shí)、可靠的信息,是地理監(jiān)測、生態(tài)保護(hù)等工作的基礎(chǔ)。本文著重研究了模糊聚類算法和特征選擇算法在遙感影像分類中的應(yīng)用問題。首先,分析了影像分類的發(fā)展背景、研究方向、國內(nèi)外研究現(xiàn)狀及存在的問題,對其中涉及到的分割、分類方法及模糊聚類算法進(jìn)行了詳細(xì)的介紹。其次,針對模糊C均值(fuzzy c-means,FCM)聚類算法在操作過程中體現(xiàn)出的不足之處,對算法做了進(jìn)一步的改進(jìn)。最后,為解決影像分類實(shí)驗(yàn)過程中,特征提取環(huán)節(jié)所提取特征之間相關(guān)性大、冗余度高,影響分類效率的問題,提出最小冗余度最大相關(guān)性(minimum Redundancy Maximum Relevance,mRMR)算法與改進(jìn)FCM聚類算法結(jié)合的遙感影像分類算法,來提高影像分類效率。本文的主要研究內(nèi)容如下:1.針對影像地物種類繁多,地物特征混雜,現(xiàn)有FCM算法穩(wěn)定性差、空間信息利用不充分的問題,提出改進(jìn)FCM聚類算法與加權(quán)多核SVM分類器結(jié)合的遙感影像分類算法。在聚類分割目標(biāo)函數(shù)計算階段,考慮單像素對聚類結(jié)果產(chǎn)生影響的同時,鄰域像元的影響采用吸引力模型進(jìn)行度量;特征提取階段使用空間像素模板法提取像斑特征點(diǎn),并基于加權(quán)多核SVM分類器實(shí)現(xiàn)影像分類操作,以獲取地物類別信息。2.為解決影像特征間相關(guān)性大、冗余度高帶來的分類問題,提出一種基于mRMR選擇和改進(jìn)FCM聚類的影像分類算法。首先基于對象置信度指標(biāo)(OC)進(jìn)行影像分割,后利用mRMR算法實(shí)現(xiàn)特征選擇,解決特征冗余問題;并將提取的特征通過改進(jìn)FCM算法聚類,得到最終分類結(jié)果。實(shí)驗(yàn)結(jié)果表明,該算法能降低信息冗余、減小特征間的相關(guān)性,并有效提高影像的分類效率。
【學(xué)位授予單位】：重慶郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP751
【圖文】：

第 2 章 高分辨率遙感影像分類與評價體系的目的。該方法能夠降低錯誤邊界合并的概率，并且計算開銷很小。多尺度分割方法尺度分割方法[41]是以對象間的異質(zhì)性大小和對象內(nèi)的異質(zhì)性大小作為標(biāo)準(zhǔn)來分割圖像，再對在特征上十分相似的對象進(jìn)行自底向上的合并的的原理可以參照下圖 2.1 加以理解。

10, 0, 1,2, ,i i ii y i m SMO 算法可得 w 和 b 為：1 mi i iiw y x 1Ts i i i ss S i Sb y y x xS | 0, 1,2, , i i i K m是支持向量下標(biāo)的集合。與之對應(yīng)的分類 1sgn sgnmi i iig x f x y x x b 引入核函數(shù)來解決線性空間中存在的樣本不可分問題，其作用是據(jù)投影到更高維的用矢量表示的空間中，進(jìn)而可以使用該原理在據(jù)，如圖 2.2 所示。對于多分類問題，可以通過優(yōu)化最優(yōu)分類面

圖 3.1 原始航拍影像 圖 3.2 FCM 算法分割效果圖(a) (b) (c) (d)圖 3.3 部分地物放大圖(a)裸地放大圖；(b)道路放大圖；(c)廣場放大圖；(d)植被放大圖。從結(jié)果圖中可以看出，影像整體的分割效果不理想，如裸地和廣場等。通過具體地物的放大圖像，如圖 3.3 所示，可以看出幾種地物均存在過分割現(xiàn)象，不利于圖像的分類。在與圖3.2 影像分割結(jié)果對比可以發(fā)現(xiàn)，本章提出的改進(jìn)F類算法對圖像做分割的效果比較好，分割后的結(jié)果如圖 3.4 所示，圖 3.5 為局部部分地物放大圖。

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 朱丹瑤;;遙感影像分類方法研究[J];黑龍江科技信息;2012年33期

2 賈坤;李強(qiáng)子;田亦陳;吳炳方;;遙感影像分類方法研究進(jìn)展[J];光譜學(xué)與光譜分析;2011年10期

3 杜玫芳;;神經(jīng)網(wǎng)絡(luò)在遙感影像分類應(yīng)用中的若干進(jìn)展[J];科技情報開發(fā)與經(jīng)濟(jì);2007年27期

4 趙海強(qiáng);;基于樣本優(yōu)選改進(jìn)的隨機(jī)森林遙感影像分類研究[J];城市勘測;2017年04期

5 黃恩興;;遙感影像分類結(jié)果的不確定性研究[J];中國農(nóng)學(xué)通報;2010年05期

6 李爽,丁圣彥,許叔明;遙感影像分類方法比較研究[J];河南大學(xué)學(xué)報(自然科學(xué)版);2002年02期

7 曹磊;;面向高分辨率遙感影像分類的分層策略研究[J];四川水泥;2017年05期

8 張佳;謝玉鳳;;高光譜遙感影像分類方法綜述[J];安徽農(nóng)學(xué)通報;2017年14期

9 黃冬梅;陳珂;王振華;劉爽;;利用空間抽樣理論的遙感影像分類結(jié)果精度評價方法[J];計算機(jī)應(yīng)用與軟件;2016年07期

10 張雁;吳保國;王冬;;遙感影像分類方法研究動態(tài)[J];安徽農(nóng)業(yè)科學(xué);2012年28期

相關(guān)會議論文 前10條

1 王梁;韓坤英;;分形理論在遙感影像分類中的應(yīng)用[A];第十二屆全國數(shù)學(xué)地質(zhì)與地學(xué)信息學(xué)術(shù)研討會論文集[C];2013年

2 趙銀娣;蔡燕;;紋理特征在高空間分辨率遙感影像分類中的應(yīng)用探討[A];《測繪通報》測繪科學(xué)前沿技術(shù)論壇摘要集[C];2008年

3 汪東川;龔建華;張利輝;;基于時間序列軌跡分析的遙感影像分類結(jié)果聯(lián)合校正[A];第十七屆中國遙感大會摘要集[C];2010年

4 寧敢;;基于對象級的遙感影像分類在土地利用類型變化檢測與分析中的應(yīng)用——以北京市海淀區(qū)韓家川村及馬連洼村為例[A];地球資源環(huán)境定量化理論與應(yīng)用——2009年全國數(shù)學(xué)地球科學(xué)與地學(xué)信息學(xué)術(shù)會議論文集[C];2009年

5 湯家法;;基于可拓分類器的遙感影像分類[A];第十七屆中國遙感大會摘要集[C];2010年

6 王珊珊;季民;高潔;焦其松;;CBR方法在高分辨率遙感影像分類中的應(yīng)用[A];《測繪通報》測繪科學(xué)前沿技術(shù)論壇摘要集[C];2008年

7 楊劍;蒲英霞;何一鳴;;基于Getis的遙感影像分類研究[A];中國地理學(xué)會百年慶典學(xué)術(shù)論文摘要集[C];2009年

8 楊春萍;余先川;;基于稀疏成分分析的遙感圖像分類[A];地球資源環(huán)境定量化理論與應(yīng)用——2009年全國數(shù)學(xué)地球科學(xué)與地學(xué)信息學(xué)術(shù)會議論文集[C];2009年

9 ;結(jié)合光譜、紋理與形狀特征的高空間分辨率遙感影像分類(英文)[A];中國測繪學(xué)會第九次全國會員代表大會暨學(xué)會成立50周年紀(jì)念大會論文集[C];2009年

10 劉忠陽;陳懷亮;杜子璇;鄒春輝;;基于決策樹方法的Landsat7 ETM+遙感影像分類研究[A];農(nóng)業(yè)生態(tài)與衛(wèi)星遙感應(yīng)用技術(shù)學(xué)術(shù)交流會論文摘要集[C];2006年

相關(guān)博士學(xué)位論文 前10條

1 張愛竹;基于萬有引力模型的高分辨率遙感影像分類方法研究[D];中國石油大學(xué)(華東);2017年

2 王海軍;深度卷積神經(jīng)網(wǎng)絡(luò)在遙感影像分類的應(yīng)用研究[D];中國地質(zhì)大學(xué)(北京);2018年

3 劉志剛;支撐向量機(jī)在光譜遙感影像分類中的若干問題研究[D];武漢大學(xué);2004年

4 巫兆聰;粗集理論在遙感影像分類中的應(yīng)用[D];武漢大學(xué);2004年

5 胥海威;基于改進(jìn)隨機(jī)聚類決策森林算法的遙感影像分類研究[D];中南大學(xué);2012年

6 亓呈明;基于多核學(xué)習(xí)的高光譜遙感影像分類方法研究[D];中國地質(zhì)大學(xué)(北京);2016年

7 王巍;基于Agent的遙感影像分類方法及其應(yīng)用研究[D];中國地質(zhì)大學(xué)(北京);2016年

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

9 丁勝;智能優(yōu)化算法在高光譜遙感影像分類中的應(yīng)用研究[D];武漢大學(xué);2010年

10 陳丹;基于優(yōu)化決策樹的高分辨率遙感影像分類技術(shù)研究[D];武漢大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 喬賢賢;基于多特征融合與深度置信網(wǎng)絡(luò)的遙感影像分類研究[D];河南大學(xué);2019年

2 李洪川;多核支持向量機(jī)在高分辨率遙感影像分類中的應(yīng)用研究[D];重慶郵電大學(xué);2018年

3 田冬雪;基于分布式存儲的海量遙感影像分類方法研究[D];東北林業(yè)大學(xué);2019年

4 黃磊;基于模糊聚類的高分辨率遙感影像分類算法研究[D];重慶郵電大學(xué);2019年

5 劉威;基于多類特征深度學(xué)習(xí)的高分辨率遙感影像分類[D];北京建筑大學(xué);2019年

6 薛洪飛;基于深度學(xué)習(xí)的遙感影像分類方法研究[D];哈爾濱工程大學(xué);2019年

7 余威;基于深度學(xué)習(xí)的遙感影像分類應(yīng)用研究[D];貴州大學(xué);2019年

8 段琳琳;基于深度學(xué)習(xí)的遙感影像分類研究[D];河南大學(xué);2018年

9 王銘愷;高分辨率遙感影像分類方法研究及在景觀格局分析中的應(yīng)用[D];合肥工業(yè)大學(xué);2018年

10 李健;國產(chǎn)高分遙感影像分類方法綜合對比研究[D];長沙理工大學(xué);2017年

本文編號：2765123