基于投票法的多分类器集成遥感影像分类技术

发布时间：2017-06-22 09:10

  本文关键词：基于投票法的多分类器集成遥感影像分类技术，由笔耕文化传播整理发布。

【摘要】：遥感影像为地理国情监测提供了快速，实时的大范围的地理信息来源。如何从大量的影像数据中提取地物是地理国情监测所面临的重要问题。随着对遥感影像分类精度要求的不断提高，遥感影像分类技术越来越受到业界的广泛关注。然而由于分类使用算法的侧重点不同，原理不同，至使分类器之间存在差异。多分类器集成是一种利用多个分类器来解决同一分类问题的技术，可以很好的利用不同分类器的各自特点，通过互相组合来弥补单个分类器的不足，改善系统的学习性能。目前，将多分类器集成应用于遥感影像分类已成为提高遥感影像分类精度研究热点之一。 基分类器之间存在差异且彼此之间能够互补，是实现多分类器集成的关键，如何选择基分类器，如何实现基分类器间的有效组合是研究多分类器集成的主要问题。为此文中对基于投票方法的多分类器集成做了主要研究。 本文的主要研究内容及成果包括如下几个方面： 1、系统介绍了多分类器集成的产生背景和研究进展，并总结归纳了目前研究所遇到的主要问题。 2、详细阐述了多分类器集成的基本理论和工作机理，并在此基础上，对分类器之间的差异性进行了探究，得出多分类器集成性能的提升取决于基分类器间的差异程度以及其互补性。同时研究了分类器间差异性的度量指标，包括成对差异性指标和非成对差异性指标，如熵、KW-差异、Kappa度量等，为判断分类器集成性能提供了一般的方法。 3、对遥感影像分类一般算法和面向对象分类技术做了研究：分析了各算法的优缺点以及实现方法，并利用散点图和特征选择器对决策树构建做了创新；研究了面向对象遥感影像分类技术，并总结出面向对象遥感影像分类技术的一般流程；最后通过使用不同算法做面向对象遥感影像分类实验验证各分类器之间的互补性。 4、对基于投票法多分类器集成技术基本原理和方法做了深入探究，并从改变训练集组成结构和使用不同分类器两种方法入手进行分类器投票集成：将AdaBoosting算法做了改进，通过样本选取来训练适应于不同类别的基分类器，使用“专家投票”的方法完成分类器集成；在先验知识的基础上，以不同的分类算法模型作为基分类器，提出基于识别性能矩阵投票集成（VRPM）、基于类别权重的加权投票集成（VCW）和基于全信息相关度的多分类器投票集成（VAIR）三种分类器投票集成算法。 5、通过实验，验证分类器差异性与多分类器集成性能间的关系；使用分类器间差异性度量指标，获取了一些较优的分类器组合方案，，并用VRPM、VCW、VAIR和改进的AdaBoosting算法对遥感影像分类，证明基于投票方法的多分类器集成技术提高遥感影像分类精度的有效性和可行性。
【关键词】：遥感影像分类 多分类器集成 投票法 差异性度量 AdaBoosting 面向对象分类
【学位授予单位】：兰州交通大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：P237
【目录】：

• 摘要4-6
• Abstract6-11
• 第1章 绪论11-15
• 1.1 研究的背景和意义11-12
• 1.2 国内外研究动态12-13
• 1.3 存在的问题13
• 1.4 论文的总体结构13-15
• 第2章 分类器集成基本原理15-23
• 2.1 机器学习与图像分类技术15-16
• 2.2 分类器集成关键技术和方法16-17
• 2.2.1 分类器集成16
• 2.2.2 多分类器集成的系统架构16-17
• 2.2.3 多分类器集成方式17
• 2.3 多分类器集差异性度量17-20
• 2.3.1 多分类器差异性17-18
• 2.3.2 差异性度量方法18-20
• 2.4 多分类器集成精度评价方法20-22
• 2.4.1 交叉验证20-21
• 2.4.2 分类精度的评价标准21-22
• 2.5 小结22-23
• 第3章 遥感影像分类方法研究23-40
• 3.1 遥感影像分类算法研究23-31
• 3.1.1 决策树分类23-25
• 3.1.2 SVM 分类算法25-27
• 3.1.3 神经网络算法27-29
• 3.1.4 贝叶斯分类29-30
• 3.1.5 K 邻近分类算法30-31
• 3.2 面向对象分类技术31-35
• 3.2.1 面向对象分类的基本概念31
• 3.2.2 影像分割原理31-33
• 3.2.3 影像分割常用方法33-34
• 3.2.4 面向对象分类流程34-35
• 3.3 实验分析35-39
• 3.4 小结39-40
• 第4章 基于投票方法的多分类器集成研究40-55
• 4.1 投票法多分类器集成的基本原理40-42
• 4.2 改进的 AdaBoosting 算法分类器加权投票集成42-47
• 4.2.1 抽样方法的改进42-43
• 4.2.2 投票方法的改进43-46
• 4.2.3 改进方法的特点46-47
• 4.3 基于类别信息分类器投票集成47-50
• 4.3.1 基于识别性能矩阵投票集成47-49
• 4.3.2 基于类别权重的加权投票集成49-50
• 4.4 基于全信息相关度的多分类器投票集成50-54
• 4.4.1 全信息矩阵51
• 4.4.2 待测样本有效邻域51-52
• 4.4.3 全信息相关度52-53
• 4.4.4 基于全信息相关度分类器组合53-54
• 4.5 小结54-55
• 第5章 实验分析55-72
• 5.1 实验目的55
• 5.2 数据准备55-56
• 5.2.1 研究区域概况55-56
• 5.2.2 影像分割56
• 5.2.3 样本采集56
• 5.3 实验流程56-70
• 5.3.1 基分类器选择56-61
• 5.3.2 组合分类器遥感影像分类61-67
• 5.3.3 基于改进 AdaBoosting 算法遥感影像分类67-70
• 5.4 分析与结论70-72
• 第6章 结论与展望72-75
• 6.1 主要工作和结论72-73
• 6.2 创新点73-74
• 6.3 展望74-75
• 参考文献75-78
• 攻读学位期间的研究成果78-79
• 致谢79

【相似文献】

中国期刊全文数据库 前10条

1 戴宏亮;;智能拉普拉斯分类器[J];中山大学学报(自然科学版);2009年02期

2 魏蓉;赵艳君;张同亮;顾全;;使用伪氨基酸和集成分类器预测凋谢蛋白亚细胞定位[J];计算机与应用化学;2009年07期

3 骆玉霞,陈焕伟;角度分类器与距离分类器比较研究——以盐渍土分类为例[J];国土资源遥感;2002年02期

4 冯彦杰,王浣尘;学习分类器在绩效寻优中的应用及其组织决策意义[J];控制理论与应用;2003年03期

5 柏延臣,王劲峰;结合多分类器的遥感数据专题分类方法研究[J];遥感学报;2005年05期

6 聂金宗;吕宏伯;陈祖荫;;用于发震地点预报的一种非参数模式分类器[J];北京工业大学学报;1986年01期

7 高文;汤洋;朱明;;复杂背景下目标检测的级联分类器算法研究[J];物理学报;2014年09期

8 张章华;;应用分类器组合模型进行岩性识别[J];计算机仿真;2009年04期

9 袁勋;吴秀清;洪日昌;宋彦;华先胜;;基于主动学习SVM分类器的视频分类[J];中国科学技术大学学报;2009年05期

10 张欣;梁宗保;;多分类器融合算法研究与应用[J];湘潭大学自然科学学报;2011年02期

中国重要会议论文全文数据库 前10条

1 王占一;徐蔚然;刘东鑫;郭军;;一种基于两级分类器的垃圾短信过滤方法[A];第五届全国信息检索学术会议论文集[C];2009年

2 翟静;李海宏;唐常杰;陈敏敏;李智;;可验证对象集分类器的再训练演进[A];第十九届全国数据库学术会议论文集（研究报告篇）[C];2002年

3 陈继航;刘家锋;赵巍;唐降龙;;联机手写识别笔段特征分类器的学习方法[A];黑龙江省计算机学会2009年学术交流年会论文集[C];2010年

4 穆明生;;基于特征集的多种分类器模型的在线笔迹认证[A];第十届全国信号处理学术年会（CCSP-2001）论文集[C];2001年

5 彭涛;左万利;赫枫龄;;基于链接上下文的分类器主题爬行技术(英文)[A];第二十三届中国数据库学术会议论文集（技术报告篇）[C];2006年

6 王岚;陈珂;迟惠生;;基于多特征组合多分类器的方法用于“与文本无关”的说话人辨认[A];第四届全国人机语音通讯学术会议论文集[C];1996年

7 谢秋玲;;应用于心电图分类的KNN-SVM分类器研究[A];2006中国控制与决策学术年会论文集[C];2006年

8 胡琼;汪荣贵;胡韦伟;孙见青;;基于级联分类器的快速人脸检测方法[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

9 李兰春;王双成;杜瑞杰;;认知结构评估的动态贝叶斯网络分类器方法[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

10 邵小健;段华;贺国平;;一种改进的最少核分类器[A];中国运筹学会第七届学术交流会论文集（上卷）[C];2004年

中国重要报纸全文数据库 前1条

1 黄明;精子分类器决定生男生女[N];广东科技报;2000年

中国博士学位论文全文数据库 前10条

1 刘明;分类器组合技术研究及其在人机交互系统中的应用[D];北京交通大学;2008年

2 严志永;在划分数据空间的视角下基于决策边界的分类器研究[D];浙江大学;2011年

3 王U

本文编号：471342