基于半监督集成的遥感图像的分割和分类

论文摘要

遥感对地观测技术目前已广泛应用于战场情报侦察、目标识别、气候变化监测、植物生长监测、灾害监测、数字地球等方面。遥感图像的分割,分类和识别是遥感图像处理和解译的关键。近年来,半监督学习理论和方法已经引起了广泛关注,本文研究基于半监督学习理论和方法的遥感图像分割与分类,主要分为以下几个方面:1.针对谱聚类算法对参数的敏感性和不能应用于大规模数据聚类的局限性,构造应用于大规模数据聚类的基于随机均匀采样结合最近邻准则的半监督多参数谱聚类算法。采用自调节参数从而避免参数的选择,在聚类中加入成对限制的先验信息来提高聚类性能。实验结果表明:该算法在多光谱遥感图像的分割中表现出良好的性能。2.针对SAR图像目标的特性,提出一种基于半监督路径相似度的Semi-Boost集成算法,并将其应用于SAR图像目标识别。对数据点的相似度矩阵加入由有标签样本产生的成对限制信息,通过该相似度矩阵的引导,把无标签样本中置信度较高的点加入到有标签的训练样本中,通过多个加权的个体SVMs集成从而提高算法的性能。实验结果表明:该算法较传统的目标识别方法识别精度得到了提高。3.构造了一种基于Boosting的谱聚类集成方法。利用基于Boosting的自适应重采样技术和随机尺度参数构造具有多样性的个体谱聚类,不仅避免了尺度参数的选择,同时为集成系统提供了所需要的个体多样性;通过一致性函数MCLA合并多个聚类结果。该算法在UCI数据集聚类,合成纹理图像分割以及SAR图像分割中表现出良好的特性以及对参数的鲁棒性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 遥感图像理解的研究内容及进展
• 1.2.1 遥感图像的分割和分类
• 1.2.2 遥感图像的目标识别
• 1.3 论文的主要内容和安排
• 第二章 半监督学习的理论和方法
• 2.1 半监督学习的背景和意义
• 2.2 半监督学习满足的假设
• 2.3 半监督学习的几种方法
• 第三章 基于谱聚类的半监督多光谱遥感图像分割
• 3.1 引言
• 3.2 多光谱遥感图像分割简介
• 3.2.1 多光谱遥感数据的特征和地物目标特性
• 3.2.2 多光谱遥感图像分割常用方法
• 3.3 半监督的谱聚类
• 3.4 基于随机均匀采样技术结合最近邻准则的半监督多参数谱聚类
• 3.5 基于谱聚类的半监督多光谱遥感图像分割
• 3.6 小结
• 第四章 基于半监督路径相似度的Semi-Boost集成SAR目标识别
• 4.1 引言
• 4.2 SAR图像目标识别简介
• 4.2.1 SAR图像目标识别的背景
• 4.2.2 SAR目标识别系统
• 4.3 基于路径的半监督相似度度量
• 4.3.1 基于路径的相似度度量
• 4.3.2 基于路径的半监督相似度度量
• 4.4 个体学习机——支撑矢量机
• 4.5 基于半监督路径相似度的Semi-Boost集成
• 4.5.1 Semi-Boost
• 4.5.2 基于半监督路径相似度的Semi-Boost集成
• 4.6 基于半监督路径相似度的Semi-Boost集成SAR目标识别
• 4.7 小结
• 第五章 基于Boosting的谱聚类集成
• 5.1 引言
• 5.2 聚类集成问题
• 5.3 具有多样性的个体谱聚类的构造
• 5.3.1 个体谱聚类——NJW
• 5.3.2 多样性的产生—基于Boosting的自适应重采样
• 5.4 多个谱聚类的结果的合并
• 5.5 基于Boosting的谱聚类集成SAR图像分割
• 5.5.1 UCI数据的划分
• 5.5.2 合成纹理图像的分割
• 5.5.3 SAR图像的分割
• 5.6 小结
• 总结与展望
• 致谢
• 参考文献
• 硕士阶段研究成果