光谱和空间特征联合的高光谱遥感影像多分类器集成方法

发布时间：2017-05-16 18:00

  本文关键词：光谱和空间特征联合的高光谱遥感影像多分类器集成方法，由笔耕文化传播整理发布。

【摘要】：高光谱遥感影像在表征地表空间特征的同时,还具备精细的光谱特征,图谱合一的特性使高光谱遥感具有其它遥感技术所不具备的优势。然而高维特性以及样本的有限性也给高光谱影像处理提出了诸多挑战。针对高维特征空间和小样本问题构建高稳定性、高精度的分类模型是高光谱遥感影像分类领域亟需解决的重要科学问题。光谱和空间特征联合的分类方法综合了光谱和空间特征的优势,通过利用地物空间相关性信息和上下文特征,可保留图像更丰富的细节特征,较好地弥补了单纯基于光谱信息分类的不足。多分类器集成的方法提高了集成学习中各成员之间的差异性和互补性,综合了不同分类器的优势,可以获得较高的分类精度。本文在高光谱影像空间特征提取和集成学习理论分析的基础上,系统研究了联合光谱和特征的高光谱遥感影像多分类器集成方法,利用形态学属性剖面来提取遥感影像中多重空问几何结构,提出了基于形态学属性剖面的高光谱影像多分类器集成方法和基于自适应形态学属性剖面的高光谱影像分类方法,以上两种方法都是光谱和空间特征联合分类方法中的同步处理策略。在此基础上,提出了光谱和空间特征联合的高光谱影像后处理方法一综合聚类信息的高光谱影像多分类器集成方法,该方法利用聚类结果得到图像对象,以图像对象为基本单元进行分类,获得了低噪声、高鲁棒性的结果。采用ROSIS、AVIRIS和GRSS-DFC-2013高光谱遥感影像检验了本文方法的有效性。论文主要研究结论和创新点：1)借助形态学属性剖面获取影像的多重空间特征,然后用极限学习机、支持向量机和旋转森林等方法进行分类,将多个分类结果以多数投票的方式集成,实现分类。相比已有的集成学习方法,同时考虑了不同光谱维形态学属性剖面空间特征构建以及基分类器的联合集成,综合不同的空间特征和不同分类器的优势,提高了分类结果的精度和泛化能力。2)基于集成学习的理念,提出一种自适应形态学属性剖面的多分类器集成方法。首先设置一定的参数范围,然后在参数范围内多次选择参数构建形态学属性剖面,生成基分类结果,循环迭代多次后,将多个基分类结果通过多数投票的方式集成。形态学属性剖面获取丰富的空间细节特征,集成学习的方法不仅克服了形态学属性剖面参数选择的难题,同时增强了分类的结果的稳定性。3)使用不同聚类方法(K均值、迭代自组织分析算法、模糊C均值算法和K中心)获得聚类结果,通过四连通区域标记进行图像对象的划分和标记,根据逐像素分类结果采用多数投票法进行逐对象分类,借助凹槽窗口邻域滤波技术改进分类结果,削弱“椒盐”现象。该集成方案综合了监督分类和非监督分类的优势,通过聚类引入地物空间相关关系和下文特征,较好地弥补了单纯基于光谱信息分类的不足。本文的方法是在光谱和空间特征联合的框架下进行,同时考虑多分类器集成的方法原理。三者是并行关系,前二者属于联合光谱与空间信息的同步处理策略,第三种方法属于后处理策略。本文既考虑光谱特征和空间特征的结合,又利用了集成学习的优势,对光谱和空间特征联合的高光谱遥感影像分类方法进行了初探,分类结果保留了丰富的细节特征,在提高分类精度的同时,增强了的分类的稳定性。
【关键词】：高光谱遥感 分类 空间特征 形态学属性剖面 多分类器集成
【学位授予单位】：南京大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：P237
【目录】：

• 摘要5-7
• ABSTRACT7-17
• 第一章 引言17-37
• 1.1 研究背景及意义17-23
• 1.1.1 研究背景17-22
• 1.1.2 研究意义22-23
• 1.2 国内外研究进展23-30
• 1.2.1 国外研究进展24-28
• 1.2.2 国内研究进展28-29
• 1.2.3 存在问题29-30
• 1.3 实验数据30-33
• 1.4 本文的组织结构33-37
• 第二章 高光谱遥感处理相关方法与策略37-51
• 2.1 高光谱遥感处理技术37-39
• 2.1.1 特征选择与特征提取37-38
• 2.1.2 光谱匹配38-39
• 2.1.3 混合象元分解39
• 2.2 高光谱遥感图像分类39-44
• 2.2.1 支持向量机40-42
• 2.2.2 极限学习42-43
• 2.2.3 旋转森林43-44
• 2.3 光谱和空间特征联合的高光谱遥感影像分类44-47
• 2.3.1 光谱和空间特征联合的高光谱遥感影像分类同步处理45-46
• 2.3.2 光谱和空间特征联合的高光谱遥感影像分类后处理46-47
• 2.4 基于集成学习的高光谱影像分类47-51
• 第三章 基于形态学属性剖面的高光谱影像多分类器集成方法51-65
• 3.1 基于形态学属性剖面的空间特征提取51-53
• 3.2 基于形态学属性剖面的分类算法53-54
• 3.3 实验及分析54-63
• 3.4 小结63-65
• 第四章 基于自适应形态学属性剖面的高光谱影像多分类器集成方法65-87
• 4.1 基于自适应形态学属性剖面空间特征提取65-66
• 4.2 基于自适应形态学属性剖面分类算法66-68
• 4.3 实验及分析68-85
• 4.4 小结85-87
• 第五章 综合聚类信息的高光谱影像多分类器集成方法87-103
• 5.1 基于聚类信息的空间特征提取87-88
• 5.2 多数投票对象分类88-89
• 5.3 邻域滤波优化 （Filtering Optimization Processing, FP)89-90
• 5.4 综合聚类信息的分类算法90-93
• 5.5 实验及分析93-101
• 5.6 小结101-103
• 第六章 结论与展望103-107
• 6.1 研究结论103
• 6.2 论文创新点103-104
• 6.3 研究展望104-107
• 参考文献107-115
• 致谢115-117
• 在学期间所取得的学术成果117-118

【参考文献】

中国期刊全文数据库 前10条

1 张雄美;易昭湘;田淞;宋建社;;结合形态学属性断面与支持向量机的合成孔径雷达图像变化检测[J];光学精密工程;2014年10期

2 刘培;杜培军;谭琨;;一种基于集成学习和特征融合的遥感影像分类新方法[J];红外与毫米波学报;2014年03期

3 李娜;李咏洁;赵慧洁;曹扬;;基于光谱与空间特征结合的改进高光谱数据分类算法[J];光谱学与光谱分析;2014年02期

4 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

5 何明一;畅文娟;梅少辉;;高光谱遥感数据特征挖掘技术研究进展[J];航天返回与遥感;2013年01期

6 杜培军;阿里木·赛买提;;高分辨率遥感影像分类的多示例集成学习[J];遥感学报;2013年01期

7 杨红磊;彭军还;;基于马尔可夫随机场的模糊c-均值遥感影像分类[J];测绘学报;2012年02期

8 杜培军;张伟;夏俊士;;Hyperspectral remote sensing image classification based on decision level fusion[J];Chinese Optics Letters;2011年03期

9 杨艺;韩崇昭;韩德强;;利用特征子空间评价与多分类器融合的高光谱图像分类[J];西安交通大学学报;2010年08期

10 吴婉澜;皮亦鸣;何强;;AdaBoost算法实现全极化SAR图像分类[J];信号处理;2009年10期

中国博士学位论文全文数据库 前3条

1 夏俊士;基于集成学习的高光谱遥感影像分类[D];中国矿业大学;2013年

2 张立福;通用光谱模式分解算法及植被指数的建立[D];武汉大学;2005年

3 刘伟东;高光谱遥感土壤信息提取与挖掘研究[D];中国科学院研究生院（遥感应用研究所）;2002年

  本文关键词：光谱和空间特征联合的高光谱遥感影像多分类器集成方法，由笔耕文化传播整理发布。

，

本文编号：371498