集成方法研究及其在遥感分类中的应用

发布时间：2019-08-15 18:45

【摘要】：集成方法具有泛化性能强稳定性高的特点,在复杂数据的分类中得到了有效利用。本文主要对集成方法进行研究,在此基础上将集成方法应用到遥感分类领域中。针对原始旋转森林集成方法对复杂数据进行分类时产生的过拟合问题,提出一种改进的旋转森林集成分类方法。首先利用旋转森林集成方法对原始训练集进行特征分割与特征提取,由此增强各基分类器之间的差异性,在此基础上,将学习速度快的极限学习机作为基分类器对数据进行分类处理,提高模型分类的速度。进而将集成方法引入到遥感分类中,针对遥感数据非负的特点,提出一种基于神经网络集成的遥感分类方法。使用可以保留遥感影像物理信息的非负矩阵分解方法来对影像进行特征提取,然后采用极限学习机集成方法在影像上进行训练,在集成基分类器训练完成后,采用Q统计来衡量各基分类器间的差异性,选择差异性大的分类器来进行集成,从而提高分类精度。此外,针对传统分类方法只使用遥感影像的光谱特征,导致分类中会遇到“同谱异物”和“同物异谱”现象,提出一种多特征融合的遥感影像分类方法。首先利用Gabor变换提取出遥感影像的纹理特征,再将其与光谱特征进行融合,然后为解决遥感影像分类中有标签训练样本少的特点,采用集成方法对影像进行最终的分类处理。在UCI数据和实际的遥感影像分类实验中,所提集成方法可获得较高的分类精度,并且泛化能力较强,说明所提方法的有效性。
【图文】：

分类器,分类结果,分类图

中选择3000个样本点做标记，以此为训练集对整幅影像进行分类处理，各方法获取的分类图如图2.2所示。对比各方法得到的分类图，从图中可以看出，Adaboost【55]方法与Rotboost[56]S法出现了严重的分类不清的现象，对绿化带以及裸露土地不能识别。而对比所提方法与RF[28]S法得到的分类图可以看出，RF-ELM方法分类图没有出现过多的噪声点，，这也说明所提方法RF-ELM改善了 115[28]方法中的过分类现象，得到的分类图整体效果更好。HWW_ ；、(a)某地开发区遥感影像（b) Bagging[M]分类图（c) Adaboost[55]分类图…mm..：—. J(d) 11?[28]分类图（e) Rotboost[56]分类图（f) RF-ELM 分类图I :1海』开发用地U居民区I__j绿化带！__]裸露土地图2.2不同分类器的分类结果Fig

扎龙,遥感影像,分类图,分类结果

为更直观的展现各方法在遥感影像的分类效果，将选取的10000个数据样本点作为训练集，对整个遥感影像进行分类，得到的分类图如图3.2所示。_ _ _(a)扎龙遥感影像（b) Adaboost[55]分类图（c) ELlVI[52j分类图：呡(d)Bagging[54]分类图（e)RFl28]分类图（f) NMF-ELM 分类图=]农用地受火区「"1水体沼泽I 盐碱地图3.2不同方法在扎龙遥感影像上的分类结果Fig. 3.2 Overall accuracy of Zhalong remote sensing with different methods-26 -
【学位授予单位】：大连理工大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP751

【参考文献】