gwk-NN并行遥感分类器的设计与实现

gwk-NN并行遥感分类器的设计与实现

论文摘要

随着卫星技术的发展,遥感影像的分辨率和数据量正在急剧增长,对遥感影像的处理技术提出了更高的要求。近几十年来越来越多的研究人员投入到遥感分类方法的研究,使得分类精度不断提高,应用领域日益广泛。特别是地统计方法的引入,使得不少研究人员开始注意到地物空间关系对遥感影像分类的影响。k-NN方法是常用的最近邻分类器,易于与地统计模型相结合,将地物空间关系特征引入该分类器可提高分类精度。与此同时,许多领域对海量遥感数据处理的时效性也提出了更高要求,高效并行化遥感影像处理是解决这一问题的有效途径。因此,开发高精度的并行遥感分类器是遥感研究领域的一个重要发展方向。本文根据地理学第一定律和并行计算思想,提出了gwk-NN并行遥感分类器。具体而言,在常用的传统k-NN分类器的基础上结合地统计模型,建立地理加权的gwk-NN分类器,并采用数据并行、任务并行和双重并行等三种模式,从算法和数据两方面对分类器进行了并行化。其中,数据并行采用对等式,任务并行采用主从式,双重并行则混合使用了对等式与主从式并行方式。在此基础上,以SPOT 5遥感影像作为实验数据,选择地物类别典型、空间连续性好的区域进行试验,对gwk-NN并行遥感分类器的分类精度和性能进行了测试。结果表明:(1)gwk-NN分类器优于k-NN、最大似然法(ML)、神经网络(NN)和支持向量机(SVM)等传统分类器,分类精度得到显著提高,噪声明显减少甚至消失,而且方法同样简单、易用;(2)gwk-NN并行分类器在双重并行模式下性能最好,实用性明显增强。在该模式单机环境下,分类器的加速比最大达到了6.59,并行效率为82.4%,明显优于数据并行和任务并行模式下的分类器性能。综上所述,本文在以下两方面有所创新:(1)将不同的地统计模型与k-NN分类器结合得到新型gwk-NN分类器,明显改善了传统k-NN分类器的分类精度;(2)将并行计算引入遥感影像分类,对gwk-NN分类器进行并行化改进,提高了gwk-NN分类器的分类性能。

论文目录

  • 摘要
  • Abstract
  • 第一章 绪论
  • 1.1 选题背景
  • 1.2 国内外研究现状
  • 1.3 研究目的和意义
  • 1.4 论文组织结构与技术路线
  • 1.4.1 论文组织结构
  • 1.4.2 技术路线
  • 第二章 gwk-NN并行遥感分类器的设计
  • 2.1 gwk-NN遥感分类器
  • 2.1.1 地统计学的现状
  • 2.1.2 k-NN分类器
  • 2.1.3 gwk-NN分类器
  • 2.2 遥感影像分类中并行计算的应用
  • 2.2.1 遥感影像分类中数据可并行性分析
  • 2.2.2 遥感影像数据分类的并行模式
  • 2.3 gwk-NN分类器并行化
  • 2.3.1 gwk-NN并行分类器设计目标与特征
  • 2.3.2 gwk-NN分类器的并行化
  • 第三章 gwk-NN并行遥感分类器的实现
  • 3.1 实验区
  • 3.2 数据预处理
  • 3.3 gwk-NN并行实现
  • 3.4 gwk-NN并行分类结果
  • 3.4.1 数据准备
  • 3.4.2 模型训练
  • 3.4.3 分类结果
  • 第四章 gwk-NN并行遥感分类器的性能分析
  • 4.1 精度评价
  • 4.1.1 混淆矩阵法
  • 4.1.2 非参数McNemar法
  • 4.2 性能评价
  • 4.2.1 并行化性能分析模型
  • 4.2.2 并行gwk-NN性能评价
  • 第五章 结论与展望
  • 5.1 结论
  • 5.2 创新点
  • 5.3 展望
  • 参考文献
  • 致谢
  • 相关论文文献

    标签:;  ;  

    gwk-NN并行遥感分类器的设计与实现
    下载Doc文档

    猜你喜欢