| 【中文题名】 | 遥感图像分类方法的研究 |
| 【英文题名】 | Study of Classifying Method in Remote Sensing Image |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2003-12-17 |
| 【中关键词】 | 遥感图像分类,模式识别,人工神经网络,决策树,特征提取,反向传播神经网络（BP网络） |
| 【英关键词】 | remote sensing image classification,pattern recognition,artificial neural network,decision tree,feature abstraction,back propagation（BP） model, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>遥感技术>遥感图像的解译、识别与处理>图像处理方法> |
| 【论文摘要】 |
90年代卫星遥感在全球和区域尺度土地覆盖研究与应用方面取得了突破性进展，土地利用／覆盖遥感研究的新方法不断出现。遥感图像的分类是遥感数据在土地资源分析及应用的第一步，如何解决多类别图像的识别并满足一定的精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。
与传统统计方法的分类器相比较，人工神经网络法不需要预先假设样本空间的参数化统计分布，正在被越来越普遍的应用于遥感图像分类的研究。在神经网络的不同算法中，应用和研究最多的是反向传播人工神经网络模型(简称BP网络模型)。
反向传播神经网络方法可用于遥感图像分类。本文在对BP网络分析的基础上，为提高网络的收敛速度和性能，提出了自己的一些建议，通过设置并改变样本的训练强度加快了网络学习的速度。另外还构造了一个用于混合像素分类的神经网络，输出层节点为各典型地物类别所占的百分比。分类前对数据进行主成分分析，实现特征提取的目的。在实际分类时仅使用波谱信息有时是不够的，可以添加一些辅助信息，如高程、植被指数等进行基于知识的推理判断。使用这些方法对实验区的TM图像进行了分类实验研究，取得了较好的效果。 |
| 【论文题纲】 |
|
1 绪论 |
20-24 |
|
1.1 课题背景和选题依据 |
20-21 |
|
1.2 遥感图像分类技术的现状 |
21-22 |
|
1.3 本文的主要内容 |
22-24 |
|
2 遥感图像分类 |
24-34 |
|
2.1 概述 |
24-26 |
|
2.2 图像的预处理 |
26 |
|
2.3 特征提取和选择 |
26-29 |
|
2.4 图像分类方法 |
29-34 |
|
3 BP神经网络分类 |
34-50 |
|
3.1 神经网络介绍 |
34-40 |
|
3.2 反向传播算法(BP算法) |
40-44 |
|
3.3 BP算法的改进 |
44-45 |
|
3.4 设置训练强度 |
45-47 |
|
3.5 混合像元分解的神经网络方法 |
47-50 |
|
4 遥感地物分类实验分析 |
50-59 |
|
4.1 特征提取 |
50-51 |
|
4.2 基于知识的分类 |
51-54 |
|
4.3 BP神经网络分类 |
54-56 |
|
4.4 实验精度分析 |
56-59 |
|
5 总结与展望 |
59-61 |
|
5.1 总结 |
59-60 |
|
5.2 展望 |
60-61 |
|
致谢 |
61-62 |
|
参考文献 |
62-64 |
|
| 【DOI】 | LunWen.ID:2.2008.389236 |
