有监督高维遥感数据假彩色图像合成特征生成与分类评价

发布时间：2020-11-21 04:17

　　 遥感数据的可视化是目视解译等遥感技术应用的基础工作。彩色图像最多只能包含3个特征。目前的遥感数据波段数(即特征)往往远远大于3。光谱分辨率越高,相邻波段之间获取的数据越相似,波段间的相关性越大,信息的冗余度越高,计算和处理越复杂。因此,高维遥感数据的降维就显得尤为重要。本文针对高维遥感数据的可视化问题,通过对不同的有监督特征生成方法的探讨,提出遥感数据有监督可视化方法。本文的研究对高维遥感数据的可视化与目视解译的结合具有重要的意义。本文提出了有监督的主成分变换回归参数重构和Fisher判别回归参数重构的特征生成方法,在基于训练样本的主成分变换法或Fisher判别法的基础上,利用最小二乘法重新估计了主成分变换或Fisher判别的系数,选取训练样本的前3个成分作为特征信息,分别赋予红色、绿色和蓝色,使其组合成一幅假彩色遥感图像,实现高维遥感数据的有监督可视化。同时选择前3个特征进行分类验证,用分类精度对这种可视化方法进行评价。可视化结果与遥感图像主成分变换和经过Fisher判别变换之后的假彩色图像进行比较,新方法图像有较好的目视解译效果。在有监督分类的情况下,本文的数据分为训练样本和检验样本两部分,选取经过主成分变换、主成分变换回归参数重构和Fisher判别回归参数重构后的所有成分的特征,重构训练样本,利用Fisher判别法建立分类模型,对样本进行分类,并与单纯的Fisher判别分类法进行了比较。结果表明:用主成分变换回归参数重构的方法进行有监督分类时,其分类精度为76.55%,kappa系数为0.7163,用Fisher回归参数重构的方法进行有监督分类时,其分类精度为76.01%,kappa系数为0.7100,主成分变换的方法进行有监督分类时其分类结果与Fisher判别法的分类结果相同,分类精度都是75.74%,kappa系数都是0.7068,参数重构的结果有所改善;用前3个特征对可视化进行验证时,得到主成分变换、主成分变换回归参数重构、Fisher判别及Fisher判别回归参数重构的分类精度分别为64.69%、71.43%、69.00%和69.27%,分类精度的高低可以影响可视化的效果。
【学位单位】：浙江农林大学
【学位级别】：硕士
【学位年份】：2017
【中图分类】：TP751
【文章目录】：
摘要
ABSTRACT
1 引言
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 高维遥感数据压缩方法
        1.2.2 遥感森林植被的特征提取方法
            1.2.2.1 两种森林遥感分类方法
            1.2.2.2 目视解译法
    1.3 研究内容及方法
        1.3.1 研究内容
        1.3.2 研究方法
    1.4 论文框架
2 研究区与数据资料
    2.1 研究区概况
        2.1.1 研究区自然地理概况
        2.1.2 研究区植被类型
    2.2 数据资料
        2.2.1 Landset 8 遥感数据
        2.2.2 地面调查数据
        2.2.3 遥感数据预处理
3 假彩色图像合成特征生成与可视化
    3.1 基于主成分变换的特征生成方法
        3.1.1 主成分的几何意义
        3.1.2 主成分的数学模型
        3.1.3 主成分系数重构特征生成
    3.2 基于Fisher判别的特征生成方法
        3.2.1 Fisher判别方法
        3.2.2 Fisher系数重构的特征生成
    3.3 可视化结果与分析
        3.3.1 基于主成分变换的可视化
        3.3.2 基于Fisher判别的可视化
        3.3.3 结果比较
    3.4 结论
4 遥感影像特征的分类评价
    4.1 基于主成分变换的有监督分类
    4.2 基于主成分系数重构的有监督分类
    4.3 Fisher判别分类
    4.4 基于Fisher判别系数重构的有监督分类
    4.5 分析与比较
    4.6 结论
5 结论与讨论
    5.1 结论
    5.2 创新点
    5.3 讨论
参考文献
个人简介
导师简介
致谢

【参考文献】

相关期刊论文 前10条

1 赵鹏飞;周绍光;裔阳;胡屹群;;基于SLIC和主动学习的高光谱遥感图像分类方法[J];计算机工程与应用;2017年03期

2 宋纳;谢明鸿;高春霞;;一种高分辨率彩色遥感影像的道路检测方法[J];测绘科学技术学报;2016年05期

3 乔睿;唐娉;石进;蒋丽雅;李爽;;WorldView-2影像的红叶松树识别研究[J];北京林业大学学报;2015年11期

4 杨仁欣;杨燕;原晶晶;;高光谱图像的特征提取与特征选择研究[J];广西师范学院学报(自然科学版);2015年02期

5 甘甜;李金平;李小强;王刘伟;;面向对象的高分辨率遥感影像建筑物震害信息提取[J];测绘工程;2015年04期

6 董彦芳;庞勇;许丽娜;陈立泽;;高光谱遥感影像与机载LiDAR数据融合的地物提取方法研究[J];遥感信息;2014年06期

7 景明利;;高维数据降维算法综述[J];西安文理学院学报(自然科学版);2014年04期

8 赵旦;张淼;于名召;曾源;吴炳方;;汶川地震灾后农田和森林植被恢复遥感监测[J];遥感学报;2014年04期

9 王书玉;张羽威;于振华;;基于随机森林的洪河湿地遥感影像分类研究[J];测绘与空间地理信息;2014年04期

10 张风霖;缑变彩;李靖琳;;Landsat7 ETM+与Landsat8 OLI植被和非植被定量研究[J];山西建筑;2014年11期

相关博士学位论文 前2条

1 李伟涛;高分辨率遥感森林植被分类提取研究[D];北京林业大学;2016年

2 高阳;高光谱数据降维算法研究[D];中国矿业大学;2013年

相关硕士学位论文 前5条

1 张银涛;高光谱数据的树种分类波段选择研究[D];浙江农林大学;2014年

2 崔娟娟;基于线性重构的特征抽取及分类应用研究[D];扬州大学;2014年

3 杨冉冉;基于ALOS数据的遥感森林分类研究[D];首都师范大学;2013年

4 李静;高光谱遥感影像降维及分类方法研究[D];中南大学;2012年

5 刘立敏;基于多元图表示原理的可视化模式分类研究[D];燕山大学;2011年

本文编号：2892509