基于ELM的高光谱遥感影像土地利用覆盖分类优化方法研究
发布时间：2021-08-05 07:05
利用遥感影像进行土地利用覆盖分类是获取土地覆盖信息的重要环节,也是目前土地利用/土地覆盖变化研究的重点内容。近年来,鉴于高光谱遥感影像具有多波段、高分辨率、包含丰富的信息等巨大优势,利用它对土地利用分类已成为遥感领域的研究热点。然而,高光谱遥感数据的海量、高维等特点也为遥感影像分类的研究带来了极大的挑战,传统的分类方法在用于分类时,容易造成处理规模过大、计算复杂以及极易陷入极小值等问题,尤其是在分类效率和速度上已很难满足当前应用的需求。极限学习机（Extreme Learning Machine,ELM）是于2006年提出的一种快速机器学习算法,在处理大规模数据时展现出学习速度快、效率高以及良好的泛化性能等优点,因此将ELM算法应用于高光谱遥感影像分类能够有效克服该领域所面临的发展瓶颈问题。着眼于此,本文将ELM应用于高光谱遥感影像分类,主要针对ELM遥感影像分类方法存在的不稳定性、鲁棒性较差以及分类精度偏低等问题,分别从集成学习、充分利用影像纹理特征以及深度学习三个不同角度出发,提出了三种基于ELM的遥感影像分类优化方法。具体的研究内容如下:（1）针对ELM分类中存在的分类结果的不稳...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：93 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景与选题依据
1.2 国内外研究现状
1.3 研究内容与技术路线
1.3.1 研究内容
1.3.2 技术路线
1.4 本文组织结构
第二章 遥感影像土地利用分类及ELM算法概述
2.1 遥感影像分类基本原理及步骤
2.2 高光谱遥感影像土地利用分类
2.2.1 高光谱遥感影像的表达及特性
2.2.2 高光谱遥感影像土地利用分类特点
2.3 遥感影像土地利用分类方法
2.3.1 目视解译
2.3.2 计算机自动分类方法
2.3.3 传统分类方法的改进
2.3.4 其他分类方法
2.4 ELM分类算法
2.4.1 单隐层前馈神经网络
2.4.2 ELM算法
2.5 遥感影像分类精度评价
2.6 本章小结
第三章 基于集成学习的ELM高光谱遥感影像分类
3.1 基于ELM的遥感影像分类算法实现
3.1.1 ELM分类流程及实现
3.1.2 ELM分类存在的问题
3.2 基于集成学习的ELM遥感影像分类优化方法设计与实现
3.2.1 整体分类策略与实现步骤
3.2.2 训练集重采样
3.2.3 修剪ELM基分类器方法设计与实现
3.2.4 ELM基分类器组合方式优化
3.3 实验及结果分析
3.3.1 实验数据介绍
3.3.2 实验设计及结果
3.3.3 实验结果分析
3.4 本章小结
第四章 基于LBP纹理特征的KELM高光谱遥感影像分类
4.1 局部二值模式(LBP)
4.2 基于LBP纹理特征的KELM遥感影像分类优化方法设计与实现
4.2.1 MNF波段降维方法实现
4.2.2 LBP纹理特征提取
4.2.3 KELM分类
4.3 实验及结果分析
4.3.1 实验数据与参数调优
4.3.2 实验设计及结果
4.3.3 实验结果分析
4.4 本章小结
第五章 结合深度学习的ELM高光谱遥感影像分类
5.1 卷积神经网络(CNN)
5.2 基于CNN-ELM的遥感影像分类优化方法设计
5.2.1 整体分类策略与步骤
5.2.2 特征提取层设计
5.3 基于Keras的CNN-ELM模型实现
5.3.1 Keras深度学习库介绍
5.3.2 CNN-ELM模型构建
5.4 实验及结果分析
5.4.1 实验设计及结果
5.4.2 实验结果分析
5.5 本章小结
第六章 总结与展望
6.1 研究总结
6.2 研究展望
致谢
参考文献
攻读硕士学位期间取得的成果
【参考文献】：
期刊论文
[1]基于深度极限学习机的高光谱遥感影像分类研究[J]. 吕飞,韩敏. 大连理工大学学报. 2018(02)
[2]基于人工神经网络法的遥感影像分类研究[J]. 杨艳青,柴旭荣. 山西师范大学学报(自然科学版). 2017(01)
[3]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[4]ENVI遥感图像监督分类方法比较[J]. 贾建峰. 西部资源. 2014(06)
[5]基于最小距离法的遥感图像分类[J]. 冯登超,陈刚,肖楷乐,杜文雅,吴新颖. 北华航天工业学院学报. 2012(03)
[6]基于独立分量分析的高光谱遥感影像决策树分类[J]. 林志垒,晏路明. 计算机应用. 2012(02)
[7]改进的K-means算法在遥感图像分类中的应用[J]. 赵越,周萍. 国土资源遥感. 2011(02)
[8]基于最优波段组合的土地利用/覆盖遥感信息提取研究[J]. 李谢辉,郑奕. 安徽农业科学. 2009(14)
[9]基于决策树的土地利用分类方法研究[J]. 余晶,蒋平安,高敏华. 新疆农业科学. 2009(02)
[10]基于改进模糊ISODATA算法的遥感影像非监督聚类研究[J]. 沈照庆,舒宁,龚衍,陶建斌. 遥感信息. 2008(05)
博士论文
[1]共生局部二值模式及其应用[D]. 齐宪标.北京邮电大学 2015
硕士论文
[1]基于ELM和SVM的卫星云图分类研究[D]. 陈晨.南昌航空大学 2014
[2]基于决策树的高光谱遥感图像分类算法研究[D]. 范成龙.燕山大学 2014
[3]基于SVM遥感图像分类的参数优化研究[D]. 林海晏.西南林业大学 2014
[4]极限学习机的研究与应用[D]. 甘露.西安电子科技大学 2014
[5]基于BP神经网络的遥感影像分类研究[D]. 张辉.山东师范大学 2013
[6]基于粗糙集理论和SVM分类算法的遥感影像分类[D]. 黄奇瑞.昆明理工大学 2012
[7]江苏盐城海滨湿地遥感分类与景观变化研究[D]. 薛星宇.南京师范大学 2012
[8]基于模糊粗糙集的遥感图像土地利用区域多中心分类法[D]. 钟迎春.湖南科技大学 2011
[9]基于支持向量机的高光谱图像分类技术研究[D]. 孙丽娟.哈尔滨工程大学 2011
[10]基于BP人工神经网络的遥感影像土地覆盖分类研究[D]. 赵静.中国地质大学 2010
本文编号：3323310
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：93 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景与选题依据
1.2 国内外研究现状
1.3 研究内容与技术路线
1.3.1 研究内容
1.3.2 技术路线
1.4 本文组织结构
第二章 遥感影像土地利用分类及ELM算法概述
2.1 遥感影像分类基本原理及步骤
2.2 高光谱遥感影像土地利用分类
2.2.1 高光谱遥感影像的表达及特性
2.2.2 高光谱遥感影像土地利用分类特点
2.3 遥感影像土地利用分类方法
2.3.1 目视解译
2.3.2 计算机自动分类方法
2.3.3 传统分类方法的改进
2.3.4 其他分类方法
2.4 ELM分类算法
2.4.1 单隐层前馈神经网络
2.4.2 ELM算法
2.5 遥感影像分类精度评价
2.6 本章小结
第三章 基于集成学习的ELM高光谱遥感影像分类
3.1 基于ELM的遥感影像分类算法实现
3.1.1 ELM分类流程及实现
3.1.2 ELM分类存在的问题
3.2 基于集成学习的ELM遥感影像分类优化方法设计与实现
3.2.1 整体分类策略与实现步骤
3.2.2 训练集重采样
3.2.3 修剪ELM基分类器方法设计与实现
3.2.4 ELM基分类器组合方式优化
3.3 实验及结果分析
3.3.1 实验数据介绍
3.3.2 实验设计及结果
3.3.3 实验结果分析
3.4 本章小结
第四章 基于LBP纹理特征的KELM高光谱遥感影像分类
4.1 局部二值模式(LBP)
4.2 基于LBP纹理特征的KELM遥感影像分类优化方法设计与实现
4.2.1 MNF波段降维方法实现
4.2.2 LBP纹理特征提取
4.2.3 KELM分类
4.3 实验及结果分析
4.3.1 实验数据与参数调优
4.3.2 实验设计及结果
4.3.3 实验结果分析
4.4 本章小结
第五章 结合深度学习的ELM高光谱遥感影像分类
5.1 卷积神经网络(CNN)
5.2 基于CNN-ELM的遥感影像分类优化方法设计
5.2.1 整体分类策略与步骤
5.2.2 特征提取层设计
5.3 基于Keras的CNN-ELM模型实现
5.3.1 Keras深度学习库介绍
5.3.2 CNN-ELM模型构建
5.4 实验及结果分析
5.4.1 实验设计及结果
5.4.2 实验结果分析
5.5 本章小结
第六章 总结与展望
6.1 研究总结
6.2 研究展望
致谢
参考文献
攻读硕士学位期间取得的成果
【参考文献】：
期刊论文
[1]基于深度极限学习机的高光谱遥感影像分类研究[J]. 吕飞,韩敏. 大连理工大学学报. 2018(02)
[2]基于人工神经网络法的遥感影像分类研究[J]. 杨艳青,柴旭荣. 山西师范大学学报(自然科学版). 2017(01)
[3]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[4]ENVI遥感图像监督分类方法比较[J]. 贾建峰. 西部资源. 2014(06)
[5]基于最小距离法的遥感图像分类[J]. 冯登超,陈刚,肖楷乐,杜文雅,吴新颖. 北华航天工业学院学报. 2012(03)
[6]基于独立分量分析的高光谱遥感影像决策树分类[J]. 林志垒,晏路明. 计算机应用. 2012(02)
[7]改进的K-means算法在遥感图像分类中的应用[J]. 赵越,周萍. 国土资源遥感. 2011(02)
[8]基于最优波段组合的土地利用/覆盖遥感信息提取研究[J]. 李谢辉,郑奕. 安徽农业科学. 2009(14)
[9]基于决策树的土地利用分类方法研究[J]. 余晶,蒋平安,高敏华. 新疆农业科学. 2009(02)
[10]基于改进模糊ISODATA算法的遥感影像非监督聚类研究[J]. 沈照庆,舒宁,龚衍,陶建斌. 遥感信息. 2008(05)
博士论文
[1]共生局部二值模式及其应用[D]. 齐宪标.北京邮电大学 2015
硕士论文
[1]基于ELM和SVM的卫星云图分类研究[D]. 陈晨.南昌航空大学 2014
[2]基于决策树的高光谱遥感图像分类算法研究[D]. 范成龙.燕山大学 2014
[3]基于SVM遥感图像分类的参数优化研究[D]. 林海晏.西南林业大学 2014
[4]极限学习机的研究与应用[D]. 甘露.西安电子科技大学 2014
[5]基于BP神经网络的遥感影像分类研究[D]. 张辉.山东师范大学 2013
[6]基于粗糙集理论和SVM分类算法的遥感影像分类[D]. 黄奇瑞.昆明理工大学 2012
[7]江苏盐城海滨湿地遥感分类与景观变化研究[D]. 薛星宇.南京师范大学 2012
[8]基于模糊粗糙集的遥感图像土地利用区域多中心分类法[D]. 钟迎春.湖南科技大学 2011
[9]基于支持向量机的高光谱图像分类技术研究[D]. 孙丽娟.哈尔滨工程大学 2011
[10]基于BP人工神经网络的遥感影像土地覆盖分类研究[D]. 赵静.中国地质大学 2010
本文编号：3323310
本文链接：https://www.wllwen.com/kejilunwen/dizhicehuilunwen/3323310.html
