基于蚁群算法的遥感影像分类研究

论文摘要

遥感影像分类是从遥感数据中获取信息的重要手段,如何改善分类精度是遥感研究的重要内容。研究新的算法和集成多源数据是提高遥感分类精度的主要途径,蚁群算法应用于遥感影像分类是目前初步发展起来的基于群集智能的一种分类新技术,研究蚁群智能算法对于多源空间数据的适用性,探究蚁群算法的性能和优势具有广泛的理论和现实意义。本文以福州市城郊结合部的一小块区域为研究对象,在研习前人有关遥感分类、蚁群算法和数据挖掘等方面研究的基础上,扩建了多源空间数据库,将蚁群智能算法用于基于不同特征的遥感分类,并在同特征支持下对比研究了最大似然法、C4.5算法、粗糙集理论用于遥感分类的精度。结果表明,蚁群算法支持下多特征遥感影像分类的精度要高于单纯基于光谱特征的遥感分类的精度,同特征支持下蚁群算法用于遥感分类的精度要高于后三种算法用于遥感分类的精度,说明蚁群算法适用于多特征遥感分类,而且是改善分类精度的有效方法。此外,还作为蚁群算法在遥感应用中的范例,研究了福州市4个时相9年间的土地利用／覆盖变化情况,结果表明9年间福州市的土地利用状况发生了较大变化,文中分析了转变原因并对地区可持续发展提出了建议。

论文目录

• 中文摘要
• Abstract
• 中文文摘
• 目录
• 绪论
• 1 研究背景和意义
• 2 国内外研究概况及存在问题
• 2.1 遥感影像分类技术的研究现状及存在问题
• 2.2 蚁群智能算法的研究现状及存在问题
• 2.3 蚁群算法应用于遥感分类的研究现状及存在问题
• 3 研究内容和技术路线
• 3.1 研究内容
• 3.2 技术路线
• 第一章 基于蚁群算法的遥感影像分类方法研究
• 1 蚁群算法的基本原理
• 2 基于蚁群算法的遥感影像分类方法
• 2.1 基于信息熵的连续特征离散化
• 2.2 规则构造
• 2.3 规则剪枝
• 2.4 信息素浓度更新
• 第二章 研究区概况与数据预处理
• 1 研究区概况
• 1.1 福州市概况
• 1.2 典型试验区概况
• 2 主要数据源
• 2.1 遥感数据
• 2.2 非遥感数据
• 3 数据预处理
• 3.1 几何校正
• 3.2 辐射校正
• 3.3 多源数据匹配与研究区数据裁剪
• 3.4 特征获取
• 3.5 构建多源空间数据库
• 第三章 基于蚁群算法的遥感影像分类实验研究
• 1 分类体系的建立
• 2 训练样本获取及分析
• 2.1 训练样本获取
• 2.2 训练样本地物特征统计分析
• 3 不同变量支持下基于蚁群算法的遥感分类实验比较分析
• 3.1 基于不同变量挖掘的规则比较
• 3.2 不同变量支持下的遥感分类实验比较
• 3.3 分类结果精度评价和比较分析
• 4 几种方法的遥感分类实验比较
• 4.1 最大似然法监督分类
• 4.2 基于C4.5算法的遥感分类
• 4.3 基于粗糙集理论的遥感分类
• 4.4 基于蚁群算法的遥感分类研究
• 4.5 分类结果精度评价和比较分析
• 第四章 蚁群算法在遥感应用中的范例
• 1 选择土地利用/覆盖变化研究作为范例的原因
• 2 遥感影像分类和精度评价
• 2.1 建立分类体系和选择特征变量
• 2.2 遥感影像分类
• 2.3 分类精度评价
• 3 土地利用/覆盖变化研究
• 3.1 土地利用/覆盖变化动态检测
• 3.2 土地利用变化速度分析
• 3.3 结果分析
• 4 结论
• 第五章 结论和展望
• 1 主要结论
• 2 研究成果与创新
• 2.1 研究成果
• 2.2 创新之处
• 3 研究不足与展望
• 附录1 蚁群算法部分核心程序代码
• 参考文献
• 攻读学位期间承担的科研任务与主要成果
• 致谢
• 个人简历