遥感图像智能分类新算法研究

论文摘要

随着遥感技术迅猛发展,可供人们利用的遥感数据越来越多,如何充分利用这些海量数据成为人们非常关注的问题,遥感图像分类就是解决这一问题的有效手段之一。目前遥感图像分类已经广泛地应用在土地利用现状的监测、地物覆盖的动态预测、遥感信息库的建立、专题地图的制作等领域。近年来,支持向量机算法在遥感图像分类的应用中表现出优越的性能,它也改善了传统的人工神经网络算法容易限入局部极小值等理论弱点。因此,支持向量机算法的理论研究及其在遥感图像处理中的应用已成为研究的热点。本文在已有的遥感图像智能分类算法的基础上进一步研究,主要内容及创新点如下：(1)深入研究了现有的遥感图像分类方法,比较了近几年最常用的人工神经网络分类器和支持向量机分类器,进而总结了支持向量机的优越性。通过比较现有的遥感图像纹理分析方法各自的特点及其应用范围,选择了一种通用性和鲁棒性都比较强的灰度共生矩阵方法。本文利用它的二阶统计量提取TM图像的纹理信息,更好地解决了遥感图像中不可避免的“同物异谱”和“异物同谱”问题。(2)首次将K型支持向量机应用到多光谱的TM图像分类中。通过改变支持向量机的核函数,得到了分类性能更好的分类器。相比于基于径向基核函数的支持向量机,K型支持向量机的泛化能力更强、分类效率更高。(3)本文将光谱特征和不同主分量的纹理特征结合,分别作为分类器的输入向量训练支持向量机,把TM遥感图像作为源图像进行仿真实验。实验结果表明：采用第一主分量的纹理特征辅助光谱特征,并利用K型支持向量机进行分类,分类精确度和其Kappa系数都较为理想,分类效果达到整体最优。(4)人工标注样本的方法效率较低,本文提出了一种基于核模糊C均值聚类的样本主动标注算法,实现了支持向量机的半监督式分类策略的改进。仿真实验结果证明本文提出的样本主动标注方法比基于模糊C均值的样本标注方法更有效。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 绪论
• 1.1 论文研究的背景和意义
• 1.2 遥感图像智能分类的研究现状
• 1.3 论文的主要工作及创新点
• 第二章 TM图像分类理论及其评价
• 2.1 遥感图像分类理论依据
• 2.2 TM遥感图像分类过程
• 2.2.1 图像预处理
• 2.2.1.1 波段选择
• 2.2.1.2 去噪
• 2.2.1.3 去条带处理
• 2.2.1.4 主成分分析
• 2.2.2 常用的遥感图像分类方法
• 2.2.3 结合纹理特征的图像分类
• 2.2.3.1 遥感图像纹理概述
• 2.2.3.2 纹理特征描述方法比较
• 2.2.3.3 灰度共生矩阵
• 2.3 图像分类效果的评价
• 2.3.1 主观评价
• 2.3.2 客观评价
• 第三章 基于不同核函数的支持向量机
• 3.1 支持向量机
• 3.1.1 支持向量机理论简介
• 3.1.2 支持向量机与神经网络的比较分析
• 3.2 常用核函数及其分类
• 3.3 支持向量机参数的选择
• 3.4 多类支持向量机分类器
• 第四章 遥感图像智能分类新算法研究
• 4.1 K型支持向量机
• 4.2 基于K型支持向量机的遥感图像分类新算法
• 4.2.1 新算法的基本思想
• 4.2.2 新算法的特点
• 4.2.3 新算法的描述
• 4.3 仿真实验（一）
• 4.3.1 数据准备
• 4.3.2 实验及结果分析
• 4.4 仿真实验（二）
• 第五章 基于核模糊C均值的样本标注方法
• 5.1 样本的主动标注方法
• 5.2 基于核模糊C均值的样本标注
• 5.2.1 核模糊C均值的原理介绍
• 5.2.1.1 模糊C均值简介
• 5.2.1.2 核模糊C均值简介
• 5.2.2 基于核模糊C均值的自动标注算法
• 5.3 仿真实验
• 结论
• 参考文献
• 致谢
• 个人简历
• 在学期间的研究成果及发表的学术论文