当前位置:主页 > 科技论文 > 测绘论文 >

顾及邻域像元分类决策的遥感影像分类蚁群算法

发布时间:2018-05-16 16:44

  本文选题:遥感影像分类 + 蚁群规则挖掘 ; 参考:《测绘地理信息》2016年06期


【摘要】:为了进一步发掘蚁群算法的应用潜力,提高分类精度,将相关性引入分类规则发掘过程,试图在蚁群算法挖掘规则时既考虑像元的光谱信息,又兼顾邻近像元灰度的空间相关性,提出了一种优化的蚁群算法。算法包括对单个像元的分类规则挖掘和顾及邻域像元相关性的分类规则挖掘,单个像元的分类规则挖掘中,为使信息素缓和增加,避免陷入局部最优解,同时保证算法具有适当的收敛速度,采用自适应方案调整参数。顾及邻域像元相关性的分类规则挖掘中选用了优势类、优势度、类熵和邻域类相关性等4个指标,以反映邻域相关性对分类结果的影响。实验研究发现,顾及邻域蚁群算法的分类结果精度有了较为明显的提高,总体精度提高了3.00%,其优势主要体现在对建设用地、裸地等复杂地物的识别。研究结果表明,顾及邻域蚁群算法能够更准确地提取光谱信息复杂的地物,有效地减弱同物异谱和异物同谱现象的干扰。
[Abstract]:In order to further explore the application potential of ant colony algorithm and improve classification accuracy, correlation is introduced into the process of classification rules mining, and the spectral information of pixel is taken into account when mining rules in ant colony algorithm. Considering the spatial correlation of adjacent pixels, an optimized ant colony algorithm is proposed. The algorithm includes classification rules mining for single pixel and classification rule mining considering neighborhood pixel correlation. In single pixel classification rule mining, pheromones can be added to avoid falling into local optimal solution. At the same time, the adaptive scheme is used to adjust the parameters to ensure that the algorithm has a proper convergence rate. In order to reflect the influence of neighborhood correlation on classification results, four indexes are selected in the mining of classification rules that take into account the correlation of neighborhood pixel, such as dominant class, dominance degree, class entropy and neighborhood class correlation. The experimental results show that the classification accuracy of considering the neighborhood ant colony algorithm has been improved obviously and the overall accuracy has been improved by 3.00. The advantages of the algorithm are mainly reflected in the identification of complex ground objects such as construction land bare land and so on. The results show that considering the neighborhood ant colony algorithm, the complex objects with complex spectral information can be extracted more accurately, and the interference of isospectral and foreign body isospectral phenomena can be effectively reduced.
【作者单位】: 湖南省第一测绘院;衡阳师范学院城市与旅游学院;湖南省古村古镇文化遗产数字化传承协同创新中心;
【基金】:国家自然科学基金资助项目(41471118) 教育部人文社科资助项目(11YJZH255)~~
【分类号】:P237

【相似文献】

相关期刊论文 前10条

1 贾坤;李强子;田亦陈;吴炳方;;遥感影像分类方法研究进展[J];光谱学与光谱分析;2011年10期

2 朱丹瑶;;遥感影像分类方法研究[J];黑龙江科技信息;2012年33期

3 刘萌伟;曾广鸿;袁国辉;裴亚波;杨子力;;基于基因表达式编程的遥感影像分类方法研究[J];安阳工学院学报;2013年04期

4 孙立新,罗高平,张怡梅;遥感影像分类的归类学习方法[J];测绘工程;1998年03期

5 李爽,丁圣彦,许叔明;遥感影像分类方法比较研究[J];河南大学学报(自然科学版);2002年02期

6 黄艳;张超;苏伟;岳安志;;合理尺度纹理分析遥感影像分类方法研究[J];国土资源遥感;2008年04期

7 余洁;郭培煌;陈品祥;张中山;软文斌;;基于改进的模糊c-均值聚类方法遥感影像分类研究(英文)[J];Geo-Spatial Information Science;2008年02期

8 温兆飞;张树清;陈春;刘春悦;李晓峰;李华朋;;三江源区湖泊和沼泽遥感影像分类研究[J];湿地科学;2010年02期

9 付博;谢振红;邓彩群;;改进的角度余弦方法在湿地遥感影像分类中的应用[J];吉林建筑工程学院学报;2010年04期

10 胡杏花;朱谷昌;徐文海;刘欢;李智峰;郑纬;;基于分形纹理的遥感影像分类研究[J];矿床地质;2010年S1期

相关会议论文 前10条

1 刘忠阳;陈怀亮;杜子璇;邹春辉;;基于决策树方法的Landsat7 ETM+遥感影像分类研究[A];农业生态与卫星遥感应用技术学术交流会论文摘要集[C];2006年

2 王珊珊;季民;高洁;焦其松;;CBR方法在高分辨率遥感影像分类中的应用[A];《测绘通报》测绘科学前沿技术论坛摘要集[C];2008年

3 汤家法;;基于可拓分类器的遥感影像分类[A];第十七届中国遥感大会摘要集[C];2010年

4 巫兆聪;;RBF网络的粗糙表示与遥感影像分类应用[A];第十三届全国遥感技术学术交流会论文摘要集[C];2001年

5 杨剑;蒲英霞;何一鸣;;基于Getis的遥感影像分类研究[A];中国地理学会百年庆典学术论文摘要集[C];2009年

6 赵泉华;宋伟东;鲍勇;;基于分形纹理的BP神经网络遥感影像分类[A];中国仪器仪表学会第九届青年学术会议论文集[C];2007年

7 王梁;韩坤英;;分形理论在遥感影像分类中的应用[A];第十二届全国数学地质与地学信息学术研讨会论文集[C];2013年

8 汪东川;龚建华;张利辉;;基于时间序列轨迹分析的遥感影像分类结果联合校正[A];第十七届中国遥感大会摘要集[C];2010年

9 罗小波;刘明皓;;基于优化的BP神经网络遥感影像分类[A];2006年中国土地学会学术年会论文集[C];2006年

10 ;结合光谱、纹理与形状特征的高空间分辨率遥感影像分类(英文)[A];中国测绘学会第九次全国会员代表大会暨学会成立50周年纪念大会论文集[C];2009年

相关博士学位论文 前9条

1 王巍;基于Agent的遥感影像分类方法及其应用研究[D];中国地质大学(北京);2016年

2 任广波;基于半监督学习的遥感影像分类技术研究[D];中国海洋大学;2010年

3 谭琨;基于支持向量机的高光谱遥感影像分类研究[D];中国矿业大学;2010年

4 巫兆聪;粗集理论在遥感影像分类中的应用[D];武汉大学;2004年

5 易俐娜;面向对象遥感影像分类不确定性分析[D];武汉大学;2011年

6 胥海威;基于改进随机聚类决策森林算法的遥感影像分类研究[D];中南大学;2012年

7 徐盛;基于主题模型的高空间分辨率遥感影像分类研究[D];上海交通大学;2012年

8 刘志刚;支撑向量机在光谱遥感影像分类中的若干问题研究[D];武汉大学;2004年

9 丁胜;智能优化算法在高光谱遥感影像分类中的应用研究[D];武汉大学;2010年

相关硕士学位论文 前10条

1 吴聪;面向对象的高分辨率遥感影像分类在卫片执法中的应用研究[D];昆明理工大学;2015年

2 周杨;面向对象的高分辨率遥感影像分类技术研究[D];中国地质大学(北京);2015年

3 李奇峰;结合多特征描述和SVM的遥感影像分类研究[D];郑州大学;2015年

4 宋晓阳;面向对象的遥感分类系统研究[D];南京农业大学;2014年

5 张静;西北旱区遥感影像分类方法研究[D];西北农林科技大学;2016年

6 刘安斐;基于数据融合的遥感影像分类[D];解放军信息工程大学;2006年

7 任亚芬;面向并行环境的遥感影像分类算法设计与实现[D];华中科技大学;2011年

8 白秀莲;基于决策树方法的遥感影像分类研究[D];内蒙古师范大学;2012年

9 王松妍;基于云理论的遥感影像分类方法研究[D];辽宁工程技术大学;2013年

10 陈小瑜;基于空间数据挖掘与知识发现的遥感影像分类研究[D];福建师范大学;2007年



本文编号:1897632

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/dizhicehuilunwen/1897632.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户4f8d4***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com