基于集成学习的高分遥感图像玉米区高精度提取算法研究

发布时间：2017-12-25 06:19

  本文关键词：基于集成学习的高分遥感图像玉米区高精度提取算法研究　出处：《中北大学》2017年博士论文　论文类型：学位论文

  更多相关文章： 集成学习 高分遥感 支持向量机 极限学习机 深度学习

【摘要】：农作物识别是农情监测的重要内容,是调查监测农作物种植面积、长势、产量、品质、病虫害等的基础。卫星遥感技术的快速发展为农业遥感行业应用提供了大量高质量的遥感数据源,蕴含丰富的地物信息,但遥感信息自动提取长期困扰研究学者。目前农作物信息的精细提取仍依赖人工目视解译,效率低下,受人员经验制约。虽然机器学习方法不断改进,但受作物种植品种差异大、地块破碎、同期作物混杂混种以及同物异谱等主客观因素的制约,规则简单、结构单一的自动提取算法在复杂地物分布情况下表现出极大的局限性。同时,各算法过分依赖手工设计的特征质量和大量的标记样本,地物分布复杂的高分数据源的地物提取精度较低,影响最终决策的准确性。因此,提高提取精度成为遥感技术在农业领域应用中的关键。集成学习能够利用多个学习方法解决同一问题,综合多种算法的优点,显著提高算法的整体泛化能力。本论文以集成学习为主线,研究高分遥感图像玉米区的高精度提取算法,将支持向量机、神经网络、深度学习与集成学习融合,从不同基本算法、不同特征集输入、不同算法结构等方面保证算法多样性,构建集成提取算法,以提高玉米区提取精度,提出的集成提取算法也能在其它类型农作物的信息提取中发挥作用。论文主要从以下四个方面开展了研究工作:(1)特征提取与特征集构建研究:在对高分遥感图像校正、融合等预处理和图像特征提取的基础上,以随机森林为技术手段,评估特征的重要性程度;遍历选择不同特征并构造组合,将其提取结果分别作为证据源,采用改进的权重系数和冲突概率自适应调整的D-S证据合成规则处理冲突证据,两组高分遥感研究区图像实验合成结果分别达到0.84和0.87以上,较传统合成方法提高了4%和6%;根据实验结果选取最优的特征组合,重组构建了光谱特征集、纹理特征集以及联合特征集,以其为输入开展后续研究。(2)同异质集成提取算法研究:探究典型监督算法—支持向量机和极限学习机网络等浅层学习方法的特点,研究了多分类器集成与合成规则;以混合迭代为手段,提出新的混合核支持向量机同质集成算法;进而研究不同学习方法的性能差异,提出以极限学习机网络和支持向量机为基本方法的异质混合集成提取算法,提高复杂地物分布情况下的高分图像信息提取算法的泛化能力。(3)深度网络集成提取算法研究:重点研究堆栈自编码和深度卷积神经网络的基本原理,分别探究其结构设置规则和参数设置优化方式;基于无监督特征学习构建的深度网络集成提取算法,针对一维像元数据和二维多特征图像实现深层特征的学习及玉米区类别属性的判别;同时针对二维卷积网络对输入数据的特殊要求,挖掘像元邻域的上下文信息,提出了基于像元扩展的二维输入图像制备方法,克服了复杂场景地物提取中等尺寸分块方法的缺点,为扩展二维卷积网络的农业遥感应用提供先决条件。(4)实验验证:以高分一号和高分二号的典型研究区图像为数据源,针对不同空间分辨率(2m与0.8m)、不同时相(单时相与双时相)、不同幅面(512?512、1024?1024与1500?1500等)、不同特征集(光谱、纹理与联合特征集)以及不同的地物分布特点的玉米区图像,通过多组实验验证集成算法性能。基于支持向量机和极限学习机的同异质集成提取算法总体精度较传统监督算法和单一学习算法有了显著提高,特别是联合特征集输入的结果基本达到了0.85,异质集成优于同质集成;联合特征集输入的二维卷积深度网络集成提取算法总体精度达到0.90以上。综上,集成学习能够有效提高高分图像玉米区提取精度,深度网络集成提取算法性能表现优于以支持向量机和极限学习机为基本方法的同质、异质集成提取算法,图像的高空间分辨率有助于提高集成算法的玉米区提取精度。
【学位授予单位】：中北大学
【学位级别】：博士
【学位授予年份】：2017
【分类号】：S513;TP751

【相似文献】

中国期刊全文数据库 前10条

1 程渭吕;通信及信号处理用的新算法[J];上海航天;1985年01期

2 郭福顺 ,高铁军;抽象数据型与一类表达式的化简[J];哈尔滨工业大学学报;1985年A3期

3 刘锋;李屹;李丽娟;;一种改进的人工蜂群算法及其在桁架几何优化设计中的应用研究[J];工程设计学报;2013年06期

4 焦健;瞿有利;;知网的话题更新与跟踪算法研究[J];北京交通大学学报;2009年05期

5 牛连强;薛瑾;朱天翔;;快速绘制圆弧的行程算法[J];沈阳工业大学学报;2010年04期

6 刘彬;吴嗣亮;姜万录;;FFT算法中求P值的一般方法[J];东北重型机械学院学报;1986年04期

7 左幸;陶卫国;马光文;;三角旋回算法及其在短期水火协调优化中的应用[J];华东电力;2007年10期

8 刘彬,张立杰,张春杰;一种改进的FFT算法[J];东北重型机械学院学报;1997年04期

9 穆世强;;一种改进的LMS算法及自适应高分辨阵列测向[J];电子对抗技术;1992年03期

10 高波;田东;胡亮;傅泽田;;Free Search——一种新的进化算法[J];仪器仪表学报;2006年S1期

中国重要会议论文全文数据库 前9条

1 刘明兰;王玲t ;曾春年;钟绍华;张俊;;双模自组织Fuzzy-Dahlin算法研究[A];1997中国控制与决策学术年会论文集[C];1997年

2 胡海清;;序列最小优化及其改进算法[A];第十届中国科协年会信息化与社会发展学术讨论会分会场论文集[C];2008年

3 王春厚;许都;孙健;;一种降低误判率的BF快速匹配算法结构[A];2010年全国通信安全学术会议论文集[C];2010年

4 桑红燕;潘全科;任立群;;解决单机准时排序问题的差异进化算法[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

5 周川;张璐;陈庆伟;;基于神经网络PID的智能AQM新算法[A];第二十七届中国控制会议论文集[C];2008年

6 陈小林;赵建;王延杰;;多模实时跟踪算法研究[A];第七届全国信息获取与处理学术会议论文集[C];2009年

7 傅荟璇;王宇超;孙枫;;融合Kalman滤波的自适应带宽Mean Shift算法[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

8 羌磊;肖田元;宋士吉;;多种群模式协同搜索贝叶斯优化算法[A];第25届中国控制会议论文集（中册）[C];2006年

9 阮秀凯;张志涌;;一种基于支持向量回归的盲恢复新算法[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

中国博士学位论文全文数据库 前10条

1 陈贵涛;基于CMAES杂交算法的钢筋混凝土框架结构优化设计研究[D];华南理工大学;2014年

2 杜新鹏;联合稀疏恢复新型算法及其应用研究[D];国防科学技术大学;2013年

3 李大威;基于集成学习的高分遥感图像玉米区高精度提取算法研究[D];中北大学;2017年

4 李向涛;进化算法研究及其在化学信息学中的应用[D];东北师范大学;2015年

5 许伟;基于进化算法的复杂化工过程智能建模方法及其应用[D];华东理工大学;2011年

6 郑友莲;面向模糊车间调度问题的智能算法研究[D];武汉大学;2011年

7 高健;分布式环境的同顺序流水作业问题求解算法研究[D];大连海事大学;2013年

8 毕云龙;自适应声学回声抑制算法研究及其VLSI芯片设计[D];哈尔滨工业大学;2010年

9 赵立权;ICA算法及其在阵列信号处理中的应用研究[D];哈尔滨工程大学;2009年

10 邹德旋;启发式算法及其在工程优化中的应用[D];东北大学;2011年

中国硕士学位论文全文数据库 前10条

1 和梦思;粒子群进化算法的改进及应用[D];深圳大学;2015年

2 王金明;基于AES和LSB算法的信息隐藏模块研究与设计[D];贵州大学;2015年

3 许峥;自适应PID算法在减水剂生产控制中的研究与实现[D];北京工业大学;2015年

4 贾宁宁;复杂网络中社团发现算法研究及应用[D];石家庄铁道大学;2015年

5 庞德艳;非光滑方程的算法及其应用[D];青岛大学;2015年

6 李倩;基于膜计算的黑洞聚类算法研究[D];西华大学;2015年

7 刘建;无线传感器网络链式路由算法[D];广西师范大学;2015年

8 杨葛;基于本体的程序代码资源算法结构关联研究[D];东华大学;2013年

9 褚夫飞;基于改进人工蜂群算法的分散式风功率预测方法研究[D];东北大学;2014年

10 王耀辉;蜂群算法应用研究[D];福州大学;2013年

，

本文编号：1331698