本文關(guān)鍵詞：基于多分類器組合的居民地提取技術(shù)研究

  更多相關(guān)文章： 居民地提取 多分類器組合 投票法 最大概率類別法 模糊積分融合法

【摘要】：居民地是人類按照生產(chǎn)和生活需要而形成的集聚定居地點(diǎn),是重要的地形要素之一,也是地形圖上表示的重要內(nèi)容。目前,利用遙感影像測(cè)繪地形圖時(shí),地形要素屬性信息的獲取仍然是依賴人工目視判讀的方法,存在勞動(dòng)強(qiáng)度大、效率低、受判讀人員的理論知識(shí)和實(shí)踐經(jīng)驗(yàn)影響大等問題。采用計(jì)算機(jī)自動(dòng)判讀的方法獲取居民地的屬性信息,是遙感圖像判讀研究的難點(diǎn)和熱點(diǎn)問題,對(duì)地形圖測(cè)制與更新、戰(zhàn)場(chǎng)地理空間信息系統(tǒng)建設(shè)等具有重要的理論意義和實(shí)用價(jià)值。本文在研究神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)法等多種經(jīng)典分類算法的基礎(chǔ)上,采用多分類器組合方法對(duì)多類遙感圖像上的居民地進(jìn)行提取試驗(yàn),重點(diǎn)研究了多分類器組合居民地提取方法以及優(yōu)化算法,并通過精度評(píng)價(jià)算法對(duì)居民地提取結(jié)果進(jìn)行定量的分類提取精度進(jìn)行評(píng)價(jià)。論文緊繞遙感圖像居民地提取展開研究,主要的研究?jī)?nèi)容和創(chuàng)新點(diǎn)如下:(1)對(duì)居民地提取技術(shù)的研究現(xiàn)狀進(jìn)行了總結(jié)歸納。在分析居民地遙感影像特征的基礎(chǔ)上,對(duì)多種經(jīng)典分類算法進(jìn)行試驗(yàn)驗(yàn)證,完成了基于經(jīng)典分類算法的居民地提取。通過試驗(yàn),對(duì)各個(gè)經(jīng)典分類器的技術(shù)特點(diǎn)進(jìn)行分析討論,為后文多分類器組合居民地提取提供了基礎(chǔ),并給出了居民地提取結(jié)果的定量評(píng)價(jià)方法。(2)對(duì)現(xiàn)有的多分類器提取方法用于居民地分類的技術(shù)現(xiàn)狀進(jìn)行了研究,并通過試驗(yàn)進(jìn)行驗(yàn)證和分析。在詳細(xì)分析多種分類器性能和特點(diǎn)的基礎(chǔ)上,采用了投票法選擇分類器進(jìn)行組合應(yīng)用,并討論了基分類器的組合準(zhǔn)則。論文設(shè)計(jì)了多組試驗(yàn)用于確定基分類器和分類規(guī)則,獲得了較好的試驗(yàn)結(jié)果。(3)用最大概率類別法和模糊積分融合法對(duì)多分類器組合居民地提取算法進(jìn)行優(yōu)化。當(dāng)各基分類器獲取的像元類別均不相同時(shí),最大概率類別法用類別歸屬概率確定像元分類類別,而模糊積分融合法是加權(quán)平均的一種推廣,在進(jìn)行投票法與最大概率類別法后執(zhí)行該算法,可進(jìn)一步提高居民地分類精度。(4)利用經(jīng)典分類算法及多分類器組合算法獲取的只是分類結(jié)果的柵格圖像,并且存在小的斑點(diǎn)和空洞,不能滿足居民地要素在地形圖上表示方法的要求,需要對(duì)其進(jìn)行一系列后處理才能得到面狀的居民地或輪廓線。論文采用數(shù)學(xué)形態(tài)學(xué)運(yùn)算去除斑點(diǎn)獲取面狀居民地,并利用邊界跟蹤的方法最終獲得面狀居民地的輪廓線。
【關(guān)鍵詞】：居民地提取 多分類器組合 投票法 最大概率類別法 模糊積分融合法
【學(xué)位授予單位】：解放軍信息工程大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP751
【目錄】：

• 摘要4-5
• Abstract5-9
• 第一章 緒論9-18
• 1.1 研究背景9-10
• 1.2 研究現(xiàn)狀10-15
• 1.2.1 遙感圖像分類算法的研究現(xiàn)狀10-11
• 1.2.2 遙感圖像居民地提取的研究現(xiàn)狀11-15
• 1.3 論文的研究?jī)?nèi)容15-16
• 1.4 論文的結(jié)構(gòu)16-18
• 第二章 基于經(jīng)典分類算法的居民地提取18-32
• 2.1 遙感圖像分類方法概述18
• 2.2 非監(jiān)督分類居民地提取方法18-19
• 2.3 監(jiān)督分類居民地提取方法19-21
• 2.3.1 最小距離法20
• 2.3.2 馬氏距離法20
• 2.3.3 最大似然法20-21
• 2.3.4 神經(jīng)網(wǎng)絡(luò)法21
• 2.3.5 支持向量機(jī)（SVM）21
• 2.4 居民地提取結(jié)果評(píng)價(jià)標(biāo)準(zhǔn)21-22
• 2.5 基于經(jīng)典分類算法的居民地提取試驗(yàn)22-31
• 2.5.1 試驗(yàn)結(jié)果22-29
• 2.5.2 精度評(píng)價(jià)29-30
• 2.5.3 分析與結(jié)論30-31
• 2.6 本章小結(jié)31-32
• 第三章 多分類器組合居民地提取方法及驗(yàn)證32-41
• 3.1 多分類器組合32
• 3.2 多分類器組合算法選取32-35
• 3.2.1 基于分類器試驗(yàn)結(jié)果進(jìn)行選取33
• 3.2.2 基于樣本進(jìn)行選取33-34
• 3.2.3 基于分類器組合的形式進(jìn)行選取34-35
• 3.3 基分類器選擇35-36
• 3.3.1 對(duì)影像進(jìn)行監(jiān)督分類35-36
• 3.3.2 根據(jù)分類結(jié)果選擇基分類器36
• 3.4 投票多分類器組合算法36-40
• 3.4.1 投票法算法36-37
• 3.4.2 投票法分類試驗(yàn)37-39
• 3.4.3 試驗(yàn)結(jié)果分析39-40
• 3.5 本章小結(jié)40-41
• 第四章 多分類器組合居民地提取優(yōu)化算法41-52
• 4.1 最大概率類別分類法41-44
• 4.1.1 最大概率類別法的基本原理41
• 4.1.2 最大概率類別法算法流程41-42
• 4.1.3 分類試驗(yàn)及結(jié)果分析42-44
• 4.2 模糊積分融合法44-48
• 4.2.1 模糊積分融合分類的理論基礎(chǔ)44-45
• 4.2.2 模糊積分融合分類技術(shù)流程45-46
• 4.2.3 試驗(yàn)結(jié)果分析46-48
• 4.3 分類后處理48-51
• 4.3.1 圖像二值化48
• 4.3.2 數(shù)學(xué)形態(tài)學(xué)后處理48-49
• 4.3.3 邊界跟蹤49-51
• 4.4 本章小結(jié)51-52
• 第五章 總結(jié)與展望52-54
• 5.1 工作總結(jié)52
• 5.2 展望52-54
• 致謝54-55
• 參考文獻(xiàn)55-59
• 作者簡(jiǎn)歷59

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 曹建農(nóng);王平祿;董昱威;;高分辨率遙感影像上居民地自動(dòng)提取方法[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2014年07期

2 譚國(guó)強(qiáng);王周龍;王霞;馬金衛(wèi);;基于知識(shí)的遙感影像居民地信息提取——以山東省蓬萊市為例[J];山東國(guó)土資源;2011年04期

3 張海俠;李長(zhǎng)青;;采用最小距離法對(duì)圖片進(jìn)行分類研究[J];儀器儀表與分析監(jiān)測(cè);2010年03期

4 劉濤;孫忠林;孫林;;基于最大似然法的遙感圖像分類技術(shù)研究[J];福建電腦;2010年01期

5 唐克;張羅政;魏琪;;基于支持向量機(jī)的多分類軍事目標(biāo)識(shí)別應(yīng)用[J];火力與指揮控制;2009年08期

6 陳姝;居為民;;遙感圖像分類方法及研究進(jìn)展[J];河北農(nóng)業(yè)科學(xué);2009年01期

7 宋江琦;黃昕;;結(jié)合獨(dú)立分量分析和支持向量機(jī)的遙感影像土地覆蓋分類[J];廣東土地科學(xué);2008年04期

8 葉時(shí)平;陳超祥;魏玉璋;章孝燦;;基于灰度和紋理特征的QuickBird影像中土地利用信息的提取[J];通信學(xué)報(bào);2008年08期

9 王新明;梁維泰;周方;秦fE;;基于支持向量機(jī)和Getis因子的高分辨率遙感圖像分類[J];地理與地理信息科學(xué);2008年04期

10 周夷;景奉廣;;多分類器組合的遙感圖像分類的方法[J];城市勘測(cè);2008年02期

，

本文編號(hào)：586252