机器学习方法在遥感图像处理中的应用研究
[Abstract]:With the development of remote sensing technology, the number of remote sensing images that we can obtain not only increases explosively in quantity, but also increases the dimension of spectral features. However, manual calibration of remote sensing images is time-consuming and laborious, so it is necessary to process images automatically by means of machine learning. The research work in this paper mainly includes classification algorithm design and spectral feature learning. The domain adjusted (Domain adaptation) method mainly deals with the problem that the distribution of the original (source domain) data and the target domain (target domain) data is different and interrelated. At the same time, it is required that the classification tasks of the two domains are the same. In the field of remote sensing image classification, this phenomenon is very common. For example, remote sensing data collected in the same area may be different in time, weather conditions, atmospheric environment, etc., or data collected by the same remote sensing detector. They may also come from different locations (even if they have similar geomorphological features). To deal with this kind of data, the classification model based on the assumption of independent same distribution is directly used, and the result is generally not satisfactory. In this paper, we propose a domain adjustment algorithm based on input-output space consistency hypothesis. We select the half-mark points with high confidence weights from the target domain and delete the original domain training points which do not conform to the distribution of the target domain data. The iterative retraining classification model is proposed. Therefore, the algorithm is named as the input and output consistency domain adjustment algorithm (input-consistent-output domain adaptation, ICODA). ICODA algorithm) on two actual hyperspectral datasets (Botswana and KSC), which is used for verification and evaluation. The experimental results show that the final classification accuracy of ICODA algorithm is much higher than that of conventional classifier. In addition, on the basis of the spectral characteristics, the spectral derivative characteristics can be obtained by simple calculation, which can easily reflect the changing trend of the spectral curves. The existing research works adopt different methods to integrate this feature into the original spectral feature and apply it to the classification of remote sensing data. This paper studies data preprocessing without other means (e.g. In the case of dimensionality reduction and feature mixing, the condition that the spectral derivative feature is effective to the traditional classifier. On the basis of a large number of experiments, we conclude that under the following two conditions, the original spectral feature incorporating the first derivative feature can greatly improve the classification accuracy ratio: 1) the training set is relatively small and the quality of the training set is relatively small, and the training set is greatly affected by noise. At the same time, a large number of free download remote sensing data can be used for in-depth learning of unsupervised feature learning. In this paper, the depth confidence network (DBN) learning algorithm is used to detect the oil spill region on the NASA AVIRIS oil spill data in the Gulf of Mexico. The experimental classification results are in good agreement with the color map derived from the RGB band.
【学位授予单位】:复旦大学
【学位级别】:硕士
【学位授予年份】:2014
【分类号】:TP751
【相似文献】
相关期刊论文 前10条
1 李熙;;基于应用导向的遥感图像处理实践教学[J];科技资讯;2013年30期
2 单勇兵,赵军;数学形态学在遥感图像处理中的应用[J];三晋测绘;2002年Z1期
3 李玮;袁运能;朱博勤;;自适应方法在遥感图像处理中的应用研究[J];遥感信息;2006年01期
4 马伟锋;岑岗;李君;沈占锋;;高性能遥感图像处理与空间信息网格建模[J];计算机工程;2006年05期
5 严红萍;俞兵;;主成分分析在遥感图像处理中的应用[J];资源环境与工程;2006年02期
6 陈燕;齐清文;杨桂山;;基于遥感图像处理的图谱单元提取与分析[J];水土保持学报;2006年02期
7 秦军;;铁路工程地质信息的遥感图像处理[J];铁道工程学报;2006年S1期
8 王楠;邓灵博;何洪峰;;遥感图像处理及其在军事目标定位中的应用[J];电脑知识与技术(学术交流);2007年18期
9 李党辉;肖志豪;;企业级遥感图像处理与应用简介[J];科技创新导报;2008年03期
10 马江林;赵忠明;杨建;杨俊;汪承义;;基于设计模式的遥感图像处理平台设计与实现[J];计算机工程;2008年03期
相关会议论文 前7条
1 匡鸿海;况明生;;多媒体数据压缩技术在遥感图像处理中的应用[A];中国图象图形学会第十届全国图像图形学术会议(CIG’2001)和第一届全国虚拟现实技术研讨会(CVR’2001)论文集[C];2001年
2 武冰;周石琳;;遥感图像处理中的数学形态学应用[A];2005年中国智能自动化会议论文集[C];2005年
3 李玮;朱博勤;袁运能;;自适应方法在遥感图像处理中的应用研究[A];第十五届全国遥感技术学术交流会论文摘要集[C];2005年
4 苑馨方;贾媛媛;李子扬;;芦山地震遥感图像处理与应用[A];中国地震学会空间对地观测专业委员会2013年学术研讨会论文摘要集[C];2013年
5 李树甫;陈亮;;侦察遥感图像处理中的地球物理问题初探[A];国家安全工程地球物理研究——第二届国家安全地球物理学术研讨会论文集[C];2006年
6 马成龙;李文科;;基于“3S”技术的干旱预警监测研究[A];GPS在水利行业应用研讨会论文集[C];2007年
7 王华林;王东雷;王纪强;杜立英;刘霞;;淄博、潍坊地区遥感图像处理与地质构造解译[A];第二届“测绘科学前沿技术论坛”论文精选[C];2010年
相关重要报纸文章 前1条
1 本报记者 许泳;PCI Geomatics推出新款遥感图像处理产品[N];计算机世界;2009年
相关博士学位论文 前2条
1 董延华;超光谱遥感图像处理关键技术研究[D];哈尔滨理工大学;2006年
2 毛成林;复小波变换在遥感图像处理方面的应用研究[D];中国科学技术大学;2013年
相关硕士学位论文 前10条
1 尹波;基于对象的遥感图像处理平台应用研究[D];上海交通大学;2008年
2 刘金亨;基于小波变换的遥感图像处理研究[D];重庆大学;2010年
3 陈烨;随机共振在遥感图像处理中的应用研究[D];天津大学;2009年
4 娄珊珊;基于偏微分方程的遥感图像处理方法[D];大连海事大学;2012年
5 谢永华;基于小波变换的遥感图像处理的应用研究[D];南京气象学院;2002年
6 曹照清;遥感图像处理的若干关键技术研究[D];南京航空航天大学;2013年
7 陶靖琦;基于证据理论的无人机遥感图像处理研究[D];湖北工业大学;2012年
8 张德祥;方向小波变换在遥感图像处理中的应用研究[D];安徽大学;2006年
9 陈超;可扩展遥感图像处理平台的研究与开发[D];中国地质大学(北京);2014年
10 宋卫艳;RANSAC算法及其在遥感图像处理中的应用[D];华北电力大学(北京);2011年
,本文编号:2215262
本文链接:https://www.wllwen.com/guanlilunwen/gongchengguanli/2215262.html