基于小波变换的K-means算法在遥感图像分类中的应用研究

发布时间：2017-10-06 17:32

  本文关键词：基于小波变换的K-means算法在遥感图像分类中的应用研究

  更多相关文章： TM遥感图像 图像分类 二维小波变换 K-means算法 分类精度

【摘要】：随着遥感技术和计算机技术的逐渐成熟,遥感数据已经在地质灾害分析、军事目标识别、农业生产、地理面积统计等领域发挥着越来越广泛的作用。在对遥感图像数据处理的研究中,遥感图像分类作为挖掘图像地物信息的有效方法及其他高级应用的基础,具有重要的研究意义。遥感图像的计算机分类是实现将图像上的所有像元按其属性划分成若干个类集群的技术过程,对于遥感图像的植被特征直接进行计算机智能提取、分类,不同的理论下有着不同的方法。根据是否需要分类人员事先提供已知类别及其训练样本对计算机分类器进行训练和监督将其分为非监督分类和监督分类。监督分类方法是一个利用训练样本反复使分类器学习训练的过程,往往对研究区域需要有足够多的先验知识。而非监督分类则是一个聚类的过程,不需要进行人工选择训练样本。传统的均值-方差K-means聚类算法是遥感图像分类应用最广泛的算法之一也有着不可避免的缺点:1)分类精度不是很高;2)由于初始聚类中心的选取是随机性的,这样不同的初始值就会导致分类结果也会有较大的差异性。针对这样的缺点,本文在传统的基于均值-方差的动态分类法K-means算法的基础之上提出了基于小波变换的改进K-means算法。在对研究区内选择出的7类的样本区图像,采用小波理论对它们分别进行二维小波变换处理,以突显或强化不同地物类型特征。提取样本能量特征向量作为初始分类中心,再进行K-means分类。避开了随机选取初值的敏感问题,同时在非监督分类方法基础上有效的融合监督分类方法的思想,旨在拥有二者优点的同时提高分类精度。通过实验数据结果表明:1)待分类图像经过单尺度二维离散小波变换后,削弱了相同地物类型内部的由于土壤亮度造成的噪声,提高了不同地物类型的边缘差异性,因此有利于对遥感图像进行计算机智能分类;2)对遥感图像分别进行两种算法分类,从各个角度的分析和评价得出,本文提出的算法的性能优于传统K-means算法的性能。
【关键词】：TM遥感图像 图像分类 二维小波变换 K-means算法 分类精度
【学位授予单位】：河北工程大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP751
【目录】：

• 摘要6-7
• Abstract7-11
• 第1章 绪论11-17
• 1.1 遥感图像分类的意义11-12
• 1.2 国内外研究现状12-15
• 1.2.1 遥感图像分类研究现状12-14
• 1.2.2 K-means算法研究现状14-15
• 1.3 论文主要研究内容15-16
• 1.4 本章小结16-17
• 第2章 遥感图像计算机分类技术17-23
• 2.1 遥感图像计算机分类17-19
• 2.1.1 计算机分类原理17-18
• 2.1.2 计算机分类一般过程18-19
• 2.2 非监督分类19
• 2.3 监督分类19-20
• 2.4 新型分类方法20-21
• 2.4.1 基于人工神经网络的分类20
• 2.4.2 基于决策树的分类20-21
• 2.4.3 基于专家知识和地学知识系统的分类21
• 2.5 分类结果评价标准21-22
• 2.6 本章小结22-23
• 第3章 研究区域地物类型样本图像选取23-30
• 3.1TM波段选取23-26
• 3.1.1 TM波段光谱特性分析23-24
• 3.1.2 TM波段统计特征分析24-25
• 3.1.3 TM波段相关系数分析25-26
• 3.1.4 最佳波段组合26
• 3.2 样本图像确定的原则和方法26-27
• 3.3 研究区地物类型样本选取27-29
• 3.4 本章小结29-30
• 第4章 基于二维小波变换的K-means算法的遥感图像分类30-43
• 4.1 传统的K-means算法30-31
• 4.2 改进的K-means算法31-42
• 4.2.1 研究区小波纹理特征分析31-33
• 4.2.2 二维离散小波图像变换33-36
• 4.2.3 图像小波变换的统计36-40
• 4.2.4 纹理特征向量提取40
• 4.2.5 算法实现步骤40-42
• 4.3 本章小结42-43
• 第5章 分类实验结果评价与分析43-50
• 5.1 分类结果45-46
• 5.2 分类评价46-48
• 5.2.1 误差矩阵46-47
• 5.2.2 Kappa系数47-48
• 5.3 实验结果分析48-49
• 5.4 本章小结49-50
• 结论与展望50-52
• 致谢52-53
• 参考文献53-57
• 附录57-61
• 作者简介61-62
• 攻读硕士期间发表的论文和参加科研情况62-63

【参考文献】

中国期刊全文数据库 前9条

1 杨泽运,杨贵军;带有地面高程信息的遥感影像计算机分类方法与实现[J];测绘工程;2004年02期

2 陈杉,秦其明;基于小波变换的高分辨率影像纹理结构分类方法[J];地理与地理信息科学;2003年03期

3 赵越;周萍;;改进的K-means算法在遥感图像分类中的应用[J];国土资源遥感;2011年02期

4 赵鑫;宋广军;张宏烈;;遥感图像特征提取算法仿真[J];计算机仿真;2013年06期

5 宋文;刘升;肖建于;;基于半监督KFCM及邻域信息的遥感图像分类算法[J];计算机工程与应用;2014年09期

6 俞璐;谢钧;;一种多特征结合的遥感图像分类方法[J];计算机应用与软件;2014年11期

7 徐丽华,岳文泽,李先华,梅安新,章皖秋;基于二维小波变换的遥感分类研究[J];遥感技术与应用;2003年05期

8 张友水,冯学智,阮仁宗,麻土华;Kohonen神经网络在遥感影像分类中的应用研究[J];遥感学报;2004年02期

9 文武;苗放;;基于小波的多尺度边缘检测在遥感图像处理中的应用[J];微电子学与计算机;2013年02期

，

本文编号：984080