多分类器集成的遥感影像分类研究

发布时间：2020-11-17 17:19

　　 本文通过对国内外遥感影像分类技术的总结与分析,发现遥感影像分类是土地利用变化,环境监测,灾变监测等生产实践中的重要的环节,尤其是影像的分类精度,是进行其他各种统计分析的前提和条件。本文在总结传统影像分类方法,当前遥感技术发展的热点,提炼出以下遥感影像分类技术中的发展方向:(1)传统的遥感影像分类技术已比较成熟,应用广泛,但由于不同的分类器分类精度不同,影像分类精度与分类时数据的预处理,样本选择,波段选择,分类算法等很多因素有密切关系,在多种因素影响下,分类精度表现出很大的不确定性。同时,能够顾及影像分类全流程可以整体提高分类精度的技术尚不多见。(2)人工智能方法、机器学习技术能较好地解决分类时不同的样本选择,不同的基分类器分类方法,样本的主观性、结果不确定性与模糊性等问题,极大提高分类的精度,机器学习技术将成为遥感领域研究的热点。为了解决传统遥感影像分类技术中的一些缺陷,例如精度有限,不同分类器对同一分类任务分类精度差别很大,存在一定主观性,分类结果缺乏统一性乃至不同的分类器分类结果产生矛盾等问题,本文尝试将集成学习引入遥感影像分类、利用投票法、证据权法、随机森林三种方法实现多分类器组合分类,研究分类器组合及精度评价,通过分类器组合理论的研究,探索分类器组合的软件实现方法,使用ArcGIS平台下的Model Builder工具,通过ENVI和ArcGIS一体化开发技术,将投票法,证据权理论分类器组合集成为一套遥感影像分类工具,实现遥感影像分类的便捷化,模型共享化,精度最大化。同时在异质分类器组合的实现基础上,应用开源软件EnMAP-Box,探索了同质分类器组合,精度评价技术。本研究以青海省西宁市土地利用分类、青海湖流域土地利用变化预测中的遥感影像分类为实例,实现多分类器组合分类,获得了以下结论:(1)投票法、证据D-S组合理论作为多分类器集成的两种方法,可以实现影像分类精度的提高与精度评价,具有较好的应用前景。(2)基于EnMP-Box的随机森林分类,可以有效集成同质决策树分类器,实现精度评价,不仅可以用在高光谱领域,而且也可以用在多光谱图像分类。(3)由于分类器的差异性测度研究所限,论文做了有限个分类器集成分类的研究,对系统集成的不确定性,对多分类器组合的分类器选择,分类器的组合个数,组合方式,组合后的性能优化有待深入研究。
【学位单位】：中国地质大学(北京)
【学位级别】：博士
【学位年份】：2018
【中图分类】：P237
【部分图文】：

论文研究技术路线

图 2-1 监督学习过程在监督学习过程中，将输入与输出看作是定义在输入(特征)空间与输出空间上的随机变量的取值输入输出变量通常分别用大写字母 X,Y 表示，在学习过程中，学习系统通过训练数据集中的样本 iix , y带来的信息学习模型，对于输入ix ，具体的模型 y f(x)可以产生一个输出 ()if x，如果模型选择的好，训练输出iy 和模型输出 ()if x之差足够小，学习系统通过尝试选取最好模型，以便于对训练数据集有较好预测，对测试数据集有较好的推广。2.1 单分类器影像分类原理遥感图像分类主要是根据地物的光谱特征来进行的，影像通常具有多个波段，覆盖一定的电磁波辐射范围，根据地物在不同波段的电磁波辐射（反射）测量值，建立遥感图像分类的特征向量。在古代就有“人以类聚，物以群分”的说法，图像分类就是依据图像像

图 2-2 地物亮度在特征空间中的分布及划分遥感影像分类是通过对图像的一些特征进行整幅影像或影像的局部进行统计成统计特征变量，按照接近统计中心如平均值的程度划分类别的。大多数情况下，具有的特征很多，分类时仅需利用少量特征就可以对影像进行识别分类，从遥感特征中选取 k 个较少更为有效的特征过程称之为影像的特征提取。尤其在高光谱影时，通常需要一些变换、降维运算，减小影像数据量，选取有利于分类的特征，如形状等信息均可作为影像特征。计算机图像分类是以图像像素间的相似度来度量区分的。所谓相似度就是是两间的彼此相似程度。在遥感图像分类中，距离和相关系数是常采的两种相似度度量特征空间中通过距离度量相似度的几种算法：（1）绝对值距离：nd x x
【参考文献】

相关期刊论文 前10条

1 雷浩川;王灵玥;;基于CA-Markov模型的青海湖流域土地利用变化模拟[J];安徽农业科学;2015年34期

2 杨天剑;张静;;基于人工神经网络方法的通信基站能耗标杆建立与分析[J];北京邮电大学学报(社会科学版);2015年06期

3 王淑晴;孙翠羽;;基于Dempster-Shafer证据理论的矿山遥感分类[J];吉林师范大学学报(自然科学版);2015年02期

4 路春燕;王宗明;刘明月;欧阳玲;贾明明;毛德华;;松嫩平原西部湿地自然保护区保护有效性遥感分析[J];中国环境科学;2015年02期

5 汤国安;;我国数字高程模型与数字地形分析研究进展[J];地理学报;2014年09期

6 张晓贺;翟亮;张继贤;杨享兵;;AdaTree算法在遥感影像分类中的应用[J];武汉大学学报(信息科学版);2013年12期

7 曹敏;史照良;阳建逸;;蜂群智能算法的遥感影像分类方法[J];测绘学报;2013年05期

8 于阳;岳彩荣;;土地利用/土地覆盖变化(LUCC)研究进展[J];科技风;2013年19期

9 张雁;林英;吕丹桔;;集成学习在遥感分类中的应用[J];计算机与数字工程;2013年05期

10 曹建芳;焦莉娟;;基于模糊支持向量机的图像分类方法[J];计算机与数字工程;2013年04期

相关硕士学位论文 前1条

1 窦鹏;基于投票法的多分类器集成遥感影像分类技术[D];兰州交通大学;2014年

本文编号：2887745