EM算法研究及其遥感分类应用

论文摘要

遥感影像成像过程受多方面随机变化因素的影响,从而导致获得的影像数据具有一定的随机性。遥感信息统计密度分布具有复杂性和多样性,在特征空间中往往表现为多种密度的混合分布。混合模型在分类应用中的难点是求取混合模型的参数,Newton-Raphson和scoring算法在求解参数时非常复杂、困难,Dempster等人提出的EM算法通过引入模式标签构成完整数据似然问题很好地解决了这个问题,但是EM算法对初始值非常敏感,初始值的选择往往影响分类精度和算法的稳定性;同时,对多光谱数据,由于谱间相关会导致方差协方差矩阵奇异,使得EM算法迭代过程中非正常终止而无法获得可靠结果。论文在总结遥感分类与特征提取研究现状的基础上,对EM算法在遥感影像分类进行了深入研究。完成的主要工作和取得的成果如下:1.论述了基于统计分析的遥感影像分类方法,分析了各种分类方法及其特点,归纳了基于统计分析的遥感影像分类方法的研究成果。2.描述了混合模型和EM算法,详细推导了EM算法求解混合模型参数的过程。分析了EM算法直接用于遥感影像分类存在的问题。3.针对EM算法存在的问题,提出了基于对数-主成分变换的EM算法用于遥感图像分类:对多光谱数据进行对数变换后采用主成分变换,通过分析第一主成分直方图确定初始分类数,结合K-means方法确定初始分类标签,进一步采用多个主成分的EM方法迭代分类以避免方差协方差矩阵奇异,通过实验数据验证,所提出的计算方案分类精度优于普通EM方法和传统的K-means。

论文目录

• 摘要
• Abstract
• 第一章 引言
• 1.1 研究背景
• 1.2 研究内容
• 1.3 本文的结构安排
• 第二章 遥感分类方法概述
• 2.1 遥感图像分类方法的基本原理
• 2.2 基于统计的遥感图像分类方法
• 2.2.1 常见的监督分类算法
• 2.2.2 常见的非监督分类算法
• 2.3 几种现有的遥感分类方法
• 2.3.1 神经网络分类法
• 2.3.2 支持向量机分类法（SVM）
• 2.3.3 面向对象遥感影像分类
• 2.4 本章小结
• 第三章 高斯混合分布模型与EM 算法
• 3.1 高斯混合分布模型
• 3.1.1 混合模型
• 3.1.2 有限高斯混合模型
• 3.2 混合密度的EM 参数估计算法
• 3.3 EM 和 K-means 的关系
• 3.4 遥感图象EM 分类算法
• 3.5 本章小结
• 第四章 基于对数-主成分变换的EM 算法用于遥感分类
• 4.1 对数变换
• 4.2 主成分分析
• 4.3 对数-主成分变换的EM 算法
• 4.4 应用
• 4.5 本章小结
• 第五章 SAR 图像滤波方法和EM 算法在城市变化识别中的应用研究
• 5.1 斑点噪声的数学表达与斑点噪声滤波方法分析
• 5.1.1 Lee 滤波方法及其增强算法
• 5.1.2 Frost 滤波方法及其增强算法
• 5.1.3 Kuan 滤波器
• 5.1.4 Gamma MAP 滤波器
• 5.1.5 小波变换滤波
• 5.1.6 实验结果和算法应用分析
• 5.2 EM 算法在城市变化识别中的应用
• 5.3 本章小结
• 第六章 总结
• 致谢
• 参考文献
• 附录