面向对象的高分辨率遥感影像特征选择与分类研究
发布时间：2023-01-30 10:51
近些年来,遥感技术持续发展,卫星传感器的空间分辨率也在不断提高,为研究者们提供了更多具有丰富而清晰地表信息的影像数据,也为土地覆盖分析提供更多便利。与此同时,为了克服传统基于像元的图像分析模式所带来的“椒盐现象”、“同物异谱”与“异物同谱”等问题,一种面向对象的影像分析（OBIA,Object Based Image Analysis）技术得以出现并发展。此处的对象指的是经由影像分割过程得到的、均匀度较高的多个像素连通区域。相较于像素,影像对象具备更丰富的特征,除了常见的光谱特征,还包括形状特征,如:长宽比、面积、形状指数等,以及纹理特征,如:同质性、异质性、对比度、角二阶矩等。影像特征的多样化为图像分析带来便利,但同时也可能因为特征数目过多而造成“维数灾难”并降低影像分类精度,因此,有必要针对面向对象的高分辨率遥感影像特征进行择优筛选。另外,当前影像分类中常用的监督模式中训练样本集的选取对人工经验要求较高,且易受到人为主观因素的影响,最终影响分类算法的性能,因此,进行无监督或半监督分类研究具有一定的意义。当前对多分类器集成的研究主要以同种分类器集成为主,为了进一步促进学习算法之间的优...
【文章页数】：113 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景与意义
1.2 国内外研究现状综述
1.2.1 遥感影像特征选择研究现状
1.2.2 高分辨率遥感影像面向对象分类方法研究现状
1.2.3 多分类器集成技术研究现状
1.3 研究目标、研究内容与技术路线
1.3.1 研究目标
1.3.2 研究内容
1.3.3 技术路线
1.4 章节安排
第2章 相关理论与方法分析
2.1 特征选择相关理论
2.1.1 遗传算法
2.1.2 禁忌搜索算法
2.2 分类相关理论
2.2.1 模糊C均值聚类算法
2.2.2 支持向量机
2.2.3 BP神经网络
2.2.4 C4.5决策树分类器
2.2.5 KNN算法
2.2.6 朴素贝叶斯
2.2.7 多元线性回归模型
2.3 本章小结
第3章 基于遗传算法与禁忌搜索算法的特征选择
3.1 对象特征构建
3.1.1 光谱特征
3.1.2 形状特征
3.1.3 纹理特征
3.2 利用禁忌搜索改进遗传算法的特征选择方法
3.2.1 基于遗传算法的特征选择
3.2.2 基于禁忌搜索的特征选择
3.2.3 特征评价函数
3.2.4 遗传算法与禁忌搜索相结合的特征选择方法
3.3 算法实现过程
3.4 实验与分析
3.4.1 实验数据与准备
3.4.2 实验内容与结果
3.4.3 精度分析与评价
3.5 本章小结
第4章 基于模糊C均值与支持向量机的半监督分类
4.1 半监督的FCM训练样本获取方法
4.2 半监督的迭代自优化支持向量机分类
4.3 算法实现过程
4.4 实验与分析
4.4.1 实验数据与准备
4.4.2 实验内容与结果
4.4.3 精度分析与评价
4.5 本章小结
第5章 基于层叠泛化模型的多分类器集成分类
5.1 层叠泛化模型
5.2 权重自适应的层叠泛化集成分类
5.3 实验与分析
5.3.1 实验内容与结果
5.3.2 精度分析与评价
5.4 本章小结
第6章 总结与展望
6.1 研究内容总结
6.2 本文创新点
6.3 研究展望
参考文献
攻读博士学位期间发表的科研成果目录
致谢
【参考文献】：
期刊论文
[1]高分辨率遥感影像的自优化迭代分类方法[J]. 史蕾,万幼川,李刚,姜莹. 国防科技大学学报. 2017(04)
[2]基于半监督的多目标进化模糊聚类算法[J]. 王俊,赵凤. 计算机工程与应用. 2017(22)
[3]基于禁忌搜索算法的特征选择方法研究[J]. 胡天寒,叶明全,张浩,卢小杰. 滁州学院学报. 2016(05)
[4]基于C4.5决策树的多特征遥感分类方法[J]. 曹洪涛,张拯宁,李明,李器宇,陈浩. 测绘工程. 2016(03)
[5]基于ReliefF和PSO混合特征选择的面向对象土地利用分类[J]. 肖艳,姜琦刚,王斌,李远华,刘舒,崔璨. 农业工程学报. 2016(04)
[6]基于分类器集成的高光谱遥感图像分类方法[J]. 樊利恒,吕俊伟,邓江生. 光学学报. 2014(09)
[7]聚类特征和SVM组合的高光谱影像半监督协同分类[J]. 张磊,邵振峰,周熙然,丁霖. 测绘学报. 2014(08)
[8]基于EnMAP-Box的遥感图像分类研究[J]. 林海晏,岳彩荣,吴晓晖,胥辉,郑欣. 西南林业大学学报. 2014(02)
[9]多元线性回归与BP神经网络预测模型对比与运用研究[J]. 张景阳,潘光友. 昆明理工大学学报(自然科学版). 2013(06)
[10]无人工样本的SVM遥感图像分类方法[J]. 李俊,陈善学,冯银波. 电视技术. 2013(23)
博士论文
[1]基于高分一/六号卫星影像特征的农作物分类研究[D]. 郑利娟.中国科学院大学(中国科学院遥感与数字地球研究所) 2017
[2]中高分辨率遥感影像森林类型精细分类与森林资源变化监测技术研究[D]. 任冲.中国林业科学研究院 2016
[3]高分辨率遥感森林植被分类提取研究[D]. 李伟涛.北京林业大学 2016
[4]基于半监督集成支持向量机的土地覆盖遥感分类方法研究[D]. 刘颖.中国科学院研究生院(东北地理与农业生态研究所) 2013
[5]高分辨率遥感影像面向对象分类方法研究[D]. 陈杰.中南大学 2010
[6]基于内容图像检索关键技术的研究[D]. 刘为.吉林大学 2010
[7]基于支持向量机分类的面向对象土地覆被图像分类方法研究[D]. 员永生.西北农林科技大学 2010
[8]面向对象的SPOT5图像森林分类研究[D]. 李春干.北京林业大学 2009
[9]分类器集成研究[D]. 谢元澄.南京理工大学 2009
[10]高分辨率遥感图像分类技术研究[D]. 陈忠.中国科学院研究生院（遥感应用研究所） 2006
硕士论文
[1]基于水稻高光谱遥感数据的植被指数产量模型研究[D]. 洪雪.沈阳农业大学 2017
[2]基于KNN算法的空间手势识别研究与应用[D]. 张硕.吉林大学 2017
[3]基于Fisher Score及遗传算法的特征选择方法研究[D]. 周密.暨南大学 2016
[4]基于主成分分析与多元线性回归分析的灌溉水利用效率影响因素分析[D]. 刘玉金.内蒙古农业大学 2014
[5]基于支持向量机的网络舆情危机预警研究[D]. 张艳岩.江西财经大学 2013
[6]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
[7]高分辨率影像面向对象分类特征选择方法研究[D]. 杨宁.西安科技大学 2012
[8]基于决策树算法的遥感影像海冰检测技术研究与应用[D]. 任朝辉.青岛大学 2012
[9]基于遗传算法的混合特征选择方法研究[D]. 王娜.陕西师范大学 2012
[10]朴素贝叶斯分类改进算法的研究[D]. 彭兴媛.重庆大学 2012
本文编号：3732995
【文章页数】：113 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景与意义
1.2 国内外研究现状综述
1.2.1 遥感影像特征选择研究现状
1.2.2 高分辨率遥感影像面向对象分类方法研究现状
1.2.3 多分类器集成技术研究现状
1.3 研究目标、研究内容与技术路线
1.3.1 研究目标
1.3.2 研究内容
1.3.3 技术路线
1.4 章节安排
第2章 相关理论与方法分析
2.1 特征选择相关理论
2.1.1 遗传算法
2.1.2 禁忌搜索算法
2.2 分类相关理论
2.2.1 模糊C均值聚类算法
2.2.2 支持向量机
2.2.3 BP神经网络
2.2.4 C4.5决策树分类器
2.2.5 KNN算法
2.2.6 朴素贝叶斯
2.2.7 多元线性回归模型
2.3 本章小结
第3章 基于遗传算法与禁忌搜索算法的特征选择
3.1 对象特征构建
3.1.1 光谱特征
3.1.2 形状特征
3.1.3 纹理特征
3.2 利用禁忌搜索改进遗传算法的特征选择方法
3.2.1 基于遗传算法的特征选择
3.2.2 基于禁忌搜索的特征选择
3.2.3 特征评价函数
3.2.4 遗传算法与禁忌搜索相结合的特征选择方法
3.3 算法实现过程
3.4 实验与分析
3.4.1 实验数据与准备
3.4.2 实验内容与结果
3.4.3 精度分析与评价
3.5 本章小结
第4章 基于模糊C均值与支持向量机的半监督分类
4.1 半监督的FCM训练样本获取方法
4.2 半监督的迭代自优化支持向量机分类
4.3 算法实现过程
4.4 实验与分析
4.4.1 实验数据与准备
4.4.2 实验内容与结果
4.4.3 精度分析与评价
4.5 本章小结
第5章 基于层叠泛化模型的多分类器集成分类
5.1 层叠泛化模型
5.2 权重自适应的层叠泛化集成分类
5.3 实验与分析
5.3.1 实验内容与结果
5.3.2 精度分析与评价
5.4 本章小结
第6章 总结与展望
6.1 研究内容总结
6.2 本文创新点
6.3 研究展望
参考文献
攻读博士学位期间发表的科研成果目录
致谢
【参考文献】：
期刊论文
[1]高分辨率遥感影像的自优化迭代分类方法[J]. 史蕾,万幼川,李刚,姜莹. 国防科技大学学报. 2017(04)
[2]基于半监督的多目标进化模糊聚类算法[J]. 王俊,赵凤. 计算机工程与应用. 2017(22)
[3]基于禁忌搜索算法的特征选择方法研究[J]. 胡天寒,叶明全,张浩,卢小杰. 滁州学院学报. 2016(05)
[4]基于C4.5决策树的多特征遥感分类方法[J]. 曹洪涛,张拯宁,李明,李器宇,陈浩. 测绘工程. 2016(03)
[5]基于ReliefF和PSO混合特征选择的面向对象土地利用分类[J]. 肖艳,姜琦刚,王斌,李远华,刘舒,崔璨. 农业工程学报. 2016(04)
[6]基于分类器集成的高光谱遥感图像分类方法[J]. 樊利恒,吕俊伟,邓江生. 光学学报. 2014(09)
[7]聚类特征和SVM组合的高光谱影像半监督协同分类[J]. 张磊,邵振峰,周熙然,丁霖. 测绘学报. 2014(08)
[8]基于EnMAP-Box的遥感图像分类研究[J]. 林海晏,岳彩荣,吴晓晖,胥辉,郑欣. 西南林业大学学报. 2014(02)
[9]多元线性回归与BP神经网络预测模型对比与运用研究[J]. 张景阳,潘光友. 昆明理工大学学报(自然科学版). 2013(06)
[10]无人工样本的SVM遥感图像分类方法[J]. 李俊,陈善学,冯银波. 电视技术. 2013(23)
博士论文
[1]基于高分一/六号卫星影像特征的农作物分类研究[D]. 郑利娟.中国科学院大学(中国科学院遥感与数字地球研究所) 2017
[2]中高分辨率遥感影像森林类型精细分类与森林资源变化监测技术研究[D]. 任冲.中国林业科学研究院 2016
[3]高分辨率遥感森林植被分类提取研究[D]. 李伟涛.北京林业大学 2016
[4]基于半监督集成支持向量机的土地覆盖遥感分类方法研究[D]. 刘颖.中国科学院研究生院(东北地理与农业生态研究所) 2013
[5]高分辨率遥感影像面向对象分类方法研究[D]. 陈杰.中南大学 2010
[6]基于内容图像检索关键技术的研究[D]. 刘为.吉林大学 2010
[7]基于支持向量机分类的面向对象土地覆被图像分类方法研究[D]. 员永生.西北农林科技大学 2010
[8]面向对象的SPOT5图像森林分类研究[D]. 李春干.北京林业大学 2009
[9]分类器集成研究[D]. 谢元澄.南京理工大学 2009
[10]高分辨率遥感图像分类技术研究[D]. 陈忠.中国科学院研究生院（遥感应用研究所） 2006
硕士论文
[1]基于水稻高光谱遥感数据的植被指数产量模型研究[D]. 洪雪.沈阳农业大学 2017
[2]基于KNN算法的空间手势识别研究与应用[D]. 张硕.吉林大学 2017
[3]基于Fisher Score及遗传算法的特征选择方法研究[D]. 周密.暨南大学 2016
[4]基于主成分分析与多元线性回归分析的灌溉水利用效率影响因素分析[D]. 刘玉金.内蒙古农业大学 2014
[5]基于支持向量机的网络舆情危机预警研究[D]. 张艳岩.江西财经大学 2013
[6]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
[7]高分辨率影像面向对象分类特征选择方法研究[D]. 杨宁.西安科技大学 2012
[8]基于决策树算法的遥感影像海冰检测技术研究与应用[D]. 任朝辉.青岛大学 2012
[9]基于遗传算法的混合特征选择方法研究[D]. 王娜.陕西师范大学 2012
[10]朴素贝叶斯分类改进算法的研究[D]. 彭兴媛.重庆大学 2012
本文编号：3732995
本文链接：https://www.wllwen.com/kejilunwen/dizhicehuilunwen/3732995.html
