基于多分类器组合的居民地提取技术研究

发布时间：2017-07-28 22:09

  本文关键词：基于多分类器组合的居民地提取技术研究

  更多相关文章： 居民地提取 多分类器组合 投票法 最大概率类别法 模糊积分融合法

【摘要】：居民地是人类按照生产和生活需要而形成的集聚定居地点,是重要的地形要素之一,也是地形图上表示的重要内容。目前,利用遥感影像测绘地形图时,地形要素属性信息的获取仍然是依赖人工目视判读的方法,存在劳动强度大、效率低、受判读人员的理论知识和实践经验影响大等问题。采用计算机自动判读的方法获取居民地的属性信息,是遥感图像判读研究的难点和热点问题,对地形图测制与更新、战场地理空间信息系统建设等具有重要的理论意义和实用价值。本文在研究神经网络法、支持向量机法等多种经典分类算法的基础上,采用多分类器组合方法对多类遥感图像上的居民地进行提取试验,重点研究了多分类器组合居民地提取方法以及优化算法,并通过精度评价算法对居民地提取结果进行定量的分类提取精度进行评价。论文紧绕遥感图像居民地提取展开研究,主要的研究内容和创新点如下:(1)对居民地提取技术的研究现状进行了总结归纳。在分析居民地遥感影像特征的基础上,对多种经典分类算法进行试验验证,完成了基于经典分类算法的居民地提取。通过试验,对各个经典分类器的技术特点进行分析讨论,为后文多分类器组合居民地提取提供了基础,并给出了居民地提取结果的定量评价方法。(2)对现有的多分类器提取方法用于居民地分类的技术现状进行了研究,并通过试验进行验证和分析。在详细分析多种分类器性能和特点的基础上,采用了投票法选择分类器进行组合应用,并讨论了基分类器的组合准则。论文设计了多组试验用于确定基分类器和分类规则,获得了较好的试验结果。(3)用最大概率类别法和模糊积分融合法对多分类器组合居民地提取算法进行优化。当各基分类器获取的像元类别均不相同时,最大概率类别法用类别归属概率确定像元分类类别,而模糊积分融合法是加权平均的一种推广,在进行投票法与最大概率类别法后执行该算法,可进一步提高居民地分类精度。(4)利用经典分类算法及多分类器组合算法获取的只是分类结果的栅格图像,并且存在小的斑点和空洞,不能满足居民地要素在地形图上表示方法的要求,需要对其进行一系列后处理才能得到面状的居民地或轮廓线。论文采用数学形态学运算去除斑点获取面状居民地,并利用边界跟踪的方法最终获得面状居民地的轮廓线。
【关键词】：居民地提取 多分类器组合 投票法 最大概率类别法 模糊积分融合法
【学位授予单位】：解放军信息工程大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP751
【目录】：

• 摘要4-5
• Abstract5-9
• 第一章 绪论9-18
• 1.1 研究背景9-10
• 1.2 研究现状10-15
• 1.2.1 遥感图像分类算法的研究现状10-11
• 1.2.2 遥感图像居民地提取的研究现状11-15
• 1.3 论文的研究内容15-16
• 1.4 论文的结构16-18
• 第二章 基于经典分类算法的居民地提取18-32
• 2.1 遥感图像分类方法概述18
• 2.2 非监督分类居民地提取方法18-19
• 2.3 监督分类居民地提取方法19-21
• 2.3.1 最小距离法20
• 2.3.2 马氏距离法20
• 2.3.3 最大似然法20-21
• 2.3.4 神经网络法21
• 2.3.5 支持向量机（SVM）21
• 2.4 居民地提取结果评价标准21-22
• 2.5 基于经典分类算法的居民地提取试验22-31
• 2.5.1 试验结果22-29
• 2.5.2 精度评价29-30
• 2.5.3 分析与结论30-31
• 2.6 本章小结31-32
• 第三章 多分类器组合居民地提取方法及验证32-41
• 3.1 多分类器组合32
• 3.2 多分类器组合算法选取32-35
• 3.2.1 基于分类器试验结果进行选取33
• 3.2.2 基于样本进行选取33-34
• 3.2.3 基于分类器组合的形式进行选取34-35
• 3.3 基分类器选择35-36
• 3.3.1 对影像进行监督分类35-36
• 3.3.2 根据分类结果选择基分类器36
• 3.4 投票多分类器组合算法36-40
• 3.4.1 投票法算法36-37
• 3.4.2 投票法分类试验37-39
• 3.4.3 试验结果分析39-40
• 3.5 本章小结40-41
• 第四章 多分类器组合居民地提取优化算法41-52
• 4.1 最大概率类别分类法41-44
• 4.1.1 最大概率类别法的基本原理41
• 4.1.2 最大概率类别法算法流程41-42
• 4.1.3 分类试验及结果分析42-44
• 4.2 模糊积分融合法44-48
• 4.2.1 模糊积分融合分类的理论基础44-45
• 4.2.2 模糊积分融合分类技术流程45-46
• 4.2.3 试验结果分析46-48
• 4.3 分类后处理48-51
• 4.3.1 图像二值化48
• 4.3.2 数学形态学后处理48-49
• 4.3.3 边界跟踪49-51
• 4.4 本章小结51-52
• 第五章 总结与展望52-54
• 5.1 工作总结52
• 5.2 展望52-54
• 致谢54-55
• 参考文献55-59
• 作者简历59

【参考文献】

中国期刊全文数据库 前10条

1 曹建农;王平禄;董昱威;;高分辨率遥感影像上居民地自动提取方法[J];武汉大学学报(信息科学版);2014年07期

2 谭国强;王周龙;王霞;马金卫;;基于知识的遥感影像居民地信息提取——以山东省蓬莱市为例[J];山东国土资源;2011年04期

3 张海侠;李长青;;采用最小距离法对图片进行分类研究[J];仪器仪表与分析监测;2010年03期

4 刘涛;孙忠林;孙林;;基于最大似然法的遥感图像分类技术研究[J];福建电脑;2010年01期

5 唐克;张罗政;魏琪;;基于支持向量机的多分类军事目标识别应用[J];火力与指挥控制;2009年08期

6 陈姝;居为民;;遥感图像分类方法及研究进展[J];河北农业科学;2009年01期

7 宋江琦;黄昕;;结合独立分量分析和支持向量机的遥感影像土地覆盖分类[J];广东土地科学;2008年04期

8 叶时平;陈超祥;魏玉璋;章孝灿;;基于灰度和纹理特征的QuickBird影像中土地利用信息的提取[J];通信学报;2008年08期

9 王新明;梁维泰;周方;秦fE;;基于支持向量机和Getis因子的高分辨率遥感图像分类[J];地理与地理信息科学;2008年04期

10 周夷;景奉广;;多分类器组合的遥感图像分类的方法[J];城市勘测;2008年02期

，

本文编号：586252