粒子群神经网络在遥感影像分类中的应用研究

发布时间：2017-04-16 18:27

  本文关键词：粒子群神经网络在遥感影像分类中的应用研究，，由笔耕文化传播整理发布。

【摘要】：随着遥感技术的不断发展,人们可以快速得到大范围实时的遥感数据,这些数据对于科学研究、国家发展、国家安全等有着重要的作用。对遥感数据的分类也是遥感应用的关键技术之一。这使得很多研究者研究遥感图像的自动分类算法,涌现出了很多监督和非监督分类的算法,这些算法不断的被改进用来提高遥感图像分类的精度,然而这些改进的算法还需要进一步的研究来更加精确的实现遥感图像的分类。本文从遥感图像分类国内外研究现状入手,介绍了用于遥感分类的主要数据源及他们各自的特点,研究了进行遥感图像分类时所需要的主要特征以及遥感图像分类后对分类结果精度评价的内容。在第3章研究了非监督分类方法和监督分类方法以及面向对象技术在遥感图像分类中的应用,以及在分类过程中存在的一些问题等。文章的后面章节重点介绍了粒子群和神经网络两种算法,依靠粒子群能得到全局最优解,利用粒子群算法训练出一组全局最优值作为BP神经网络初始的权值和阈值,最后BP神经网络模型成功的融合了粒子群算法后训练出局部最优解,训练结果成功的将遥感图像进行更精确的分类。在此基础上,利用粒子群BP神经网络进行遥感图像分类的实验,建立粒子群BP神经网络实验的模型,实施遥感图像分类,最后把分类结果进行精度评价,并与非监督和监督分类结果进行对比。实验结果表明:粒子群BP神经网络分类结果明显优于ISODATA和K-均值聚类非监督分类,比最小距离监督分类模型总体精度和Kappa系数分别高出0.124和0.157,分类结果精度较高。
【关键词】：粒子群 BP神经网络 粒子群BP神经网络 遥感分类
【学位授予单位】：东华理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：P237
【目录】：

• 摘要5-6
• Abstract6-10
• 1. 绪论10-14
• 1.1 课题背景及意义10
• 1.2 国内外研究现状10-12
• 1.3 本文的研究内容、技术路线及章节安排12-14
• 1.3.1 本文研究内容12
• 1.3.2 遥感图像分类的具体流程12-13
• 1.3.3 文章的具体安排13-14
• 2. 遥感图像分类基础知识14-22
• 2.1 遥感图像的分类的主要数据源14-15
• 2.1.1 中低分辨率的遥感图像数据14
• 2.1.2 高辨率的遥感图像数据14-15
• 2.1.3 高光谱遥感图像数据15
• 2.1.4 雷达遥感图像数据15
• 2.2 遥感图像分类时所研究的主要特征15-18
• 2.2.1 遥感图像的光谱特征15-16
• 2.2.2 遥感图像的纹理特征16-17
• 2.2.3 遥感图像的空间特征17-18
• 2.3 遥感图像分类结果精度评价18-20
• 2.3.1 基于误差的分类结果精度评价18-19
• 2.3.2 遥感图像分类结果精度评价的研究现状19-20
• 2.4 本章总结20-22
• 3. 遥感图像分类方法22-30
• 3.1 最大似然算法在遥感图像分类中的应用22-23
• 3.1.1 最大似然算法理论22-23
• 3.1.2 最大似然监督分类的优缺点23
• 3.2 迭代自组织数据分析聚类算法（ISODATA）在遥感影像分类中的应用23-25
• 3.2.1 迭代自组织数据分析聚类算法的原理与实现23-25
• 3.2.2 迭代自组织数据分析聚类算法的优缺点25
• 3.3 支持向量机在遥感图像分类中的应用25-27
• 3.3.1 支持向量机理论发展的概述25
• 3.3.2 支持向量机原理25-27
• 3.3.3 支持向量机算法的优缺点27
• 3.4 面向对象技术在遥感图像分类中的应用27-29
• 3.4.1 面向对象分类概述27-28
• 3.4.2 面向对象分类原理28-29
• 3.4.3 面向对象分类算法的优缺点29
• 3.5 本章总结29-30
• 4. 粒子群算法与神经网络算法的结合30-42
• 4.1 粒子群算法30-32
• 4.1.1 粒子群算法概述30-31
• 4.1.2 本文研究的粒子群算法的模型31-32
• 4.1.3 本文研究的粒子群算法的流程32
• 4.2 BP神经网络算法32-37
• 4.2.1 BP神经网络的概述32-33
• 4.2.2 本文研究的BP神经网络的模型33-37
• 4.3 粒子群BP神经网络算法37-40
• 4.3.1 粒子群BP神经网络算法的概述37
• 4.3.2 粒子群BP神经网络算法的具体模型和matlab中的实现37-39
• 4.3.3 粒子群BP神经网络模型和BP神经网络模型训练对比39-40
• 4.4 本章总结40-42
• 5. 粒子群神经网络进行遥感图像分类的实验42-52
• 5.1 研究区域介绍42
• 5.2 粒子群BP神经网络分类试验42-47
• 5.3 分类试验结果对比分析47-52
• 6. 结论与展望52-54
• 致谢54-56
• 参考文献56-60
• 附录A 读取样本数据60-62
• 附录B 粒子群优化程序62-68
• 附录C BP神经网络训练程序68-70
• 附录D 分类程序70-71

【相似文献】

中国期刊全文数据库 前10条

1 谭衢霖,邵芸;雷达遥感图像分类新技术发展研究[J];国土资源遥感;2001年03期

2 潘建刚,赵文吉,宫辉力;遥感图像分类方法的研究[J];首都师范大学学报(自然科学版);2004年03期

3 杜凤兰,田庆久,夏学齐;遥感图像分类方法评析与展望[J];遥感技术与应用;2004年06期

4 李石华,王金亮,毕艳,陈姚,朱妙园,杨帅,朱佳;遥感图像分类方法研究综述[J];国土资源遥感;2005年02期

5 王一达;沈熙玲;谢炯;;遥感图像分类方法综述[J];遥感信息;2006年05期

6 岳昔娟;张勇;黄国满;;改进的直方图均衡化在遥感图像分类中的应用[J];四川测绘;2008年04期

7 金良;于凤鸣;;计算机遥感图像分类法在天然草原土地利用现状研究中的应用[J];科技资讯;2010年36期

8 付森;;遥感图像分类技术的发展现状[J];科技风;2010年08期

9 许凯;秦昆;刘修国;李登朝;;泛概念层次构建方法及其在遥感图像分类中的应用[J];武汉大学学报(信息科学版);2013年09期

10 潘时祥 ,朱述龙;概率松驰法在提高遥感图像分类精度中的应用[J];解放军测绘学院学报;1993年03期

中国重要会议论文全文数据库 前5条

1 张守娟;周诠;;空间数据挖掘决策树算法在遥感图像分类中的应用研究[A];中国遥感应用协会2010年会暨区域遥感发展与产业高层论坛论文集[C];2010年

2 邓文胜;邵晓莉;刘海;万诰方;许亮;;基于证据理论的遥感图像分类方法探讨[A];中国地理学会2006年学术年会论文摘要集[C];2006年

3 周军其;张红;孙家b

本文编号：311427