| 【中文题名】 | 基于数据融合的遥感影像分类 |
| 【英文题名】 | Remote Sensing Image Classification Based on Data Fusion |
| 【学科专业】 | 信号与信息处理 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-5-15 |
| 【中关键词】 | 信息融合,AdaBoost算法,证据理论,模糊积分,遥感影像分类,BP网络 |
| 【英关键词】 | remote sensing image classification,data fusion,AdaBoost,evidence theory,fuzzy integral,BP neural network,K-means, |
| 【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】 | 遥感影像的自动分类是模式识别在遥感领域中的关键应用，在军事和民用上都具有重要的实用意义。仅依靠单个光谱信息的传统分类方法难以满足实际需求，为了进一步提高遥感影像的分类精度，本文将融合思想引入分类当中，深入探讨了AdaBoost、证据理论和模糊积分等融合方法在遥感影像分类中的应用技术，取得如下研究结果：
首先，利用AdaBoost算法对K-means算法进行提升，提出了一种基于AdaBoost算法的K-means遥感影像分类方法。其中，针对数据集分布调整的具体实施问题，设计了一种有效的加权变值方法。实验结果表明，融合提升后的分类结果较基本K-means在孤立点的消除和细长目标的识别提取上效果更加显著。
其次，利用证据理论融合技术对HCI颜色特征和反梯度平滑空间信息分类结果进行融合，提出了一种基于证据理论的遥感影像分类方法。针对证据理论中基本概率赋值函数的分配问题，给出了一种多识别率的赋值方法，根据各分类器对特定实例的识别性能进行赋值。实验结果表明，由于利用了更多信息，多识别率的赋值方法融合性能较单识别率更好，其用于遥感影像分类的融合分类效果明显优于单特征源的分类结果。
... |
| 【论文题纲】 |
|
中文摘要 |
4-5 |
|
ABSTRACT |
5-6 |
|
目录 |
6-9 |
|
表目录 |
9-10 |
|
图目录 |
10-11 |
|
第一章 绪论 |
11-16 |
|
1.1 课题来源 |
11 |
|
1.2 相关技术及其发展现状 |
11-14 |
|
1.2.1 遥感影像分类方法和发展现状 |
11-12 |
|
1.2.2 数据融合的基本原理和方法 |
12-14 |
|
1.3 论文的主要贡献 |
14-15 |
|
1.4 论文组织 |
15-16 |
|
第二章 遥感影像分类基础 |
16-34 |
|
2.1 引言 |
16 |
|
2.2 特征选取 |
16-25 |
|
2.2.1 遥感影像的颜色特征 |
16-17 |
|
2.2.2 遥感影像的空间信息 |
17-18 |
|
2.2.3 遥感影像的纹理特征 |
18-25 |
|
2.3 基本分类算法 |
25-33 |
|
2.3.1 神经网络分类算法 |
25-30 |
|
2.3.2 K-means聚类算法 |
30-33 |
|
2.4 本章小结 |
33-34 |
|
第三章 基于Adaboost算法的遥感影像分类 |
34-46 |
|
3.1 引言 |
34 |
|
3.2 Adaboost算法的理论基础 |
34-37 |
|
3.2.1 Boosting 算法的发展 |
34-35 |
|
3.2.2 Adaboost算法 |
35-37 |
|
3.3 基于AdaBoost算法的K-means 遥感影像分类算法 |
37-40 |
|
3.3.1 Boost-Clustering算法 |
37-38 |
|
3.3.2 基本聚类器的划分性能评价 |
38-39 |
|
3.3.3 类别关联 |
39 |
|
3.3.4 数据集分布调整 |
39-40 |
|
3.4 实验结果分析 |
40-45 |
|
3.4.1 融合提升方法有效性测试实验 |
41-42 |
|
3.4.2 基于AdaBoost融合算法的K-means遥感影像分类实验 |
42-45 |
|
3.5 本章小结 |
45-46 |
|
第四章 基于DS证据理论的遥感影像分类 |
46-58 |
|
4.1 引言 |
46 |
|
4.2 证据理论基础 |
46-49 |
|
4.2.1 基本概念 |
46-48 |
|
4.2.2 证据理论的合成公式 |
48-49 |
|
4.2.3 证据合成的一般性框架 |
49 |
|
4.3 基于DS理论的遥感影像分类算法 |
49-53 |
|
4.3.1 折扣系数法 |
49-50 |
|
4.3.2 证据生成 |
50 |
|
4.3.3 基于min-max算子的合成公式 |
50-51 |
|
4.3.4 算法实现 |
51-53 |
|
4.4 实验结果分析 |
53-56 |
|
4.4.1 证据理论融合算法比较实验 |
53-54 |
|
4.4.2 遥感影像多特征融合分类实验 |
54-56 |
|
4.5 本章小结 |
56-58 |
|
第五章 基于模糊积分的遥感影像分类 |
58-71 |
|
5.1 引言 |
58 |
|
5.2 模糊积分的理论基础 |
58-61 |
|
5.2.1 模糊测度 |
58-60 |
|
5.2.2 Sugeno模糊积分 |
60 |
|
5.2.3 Choquet模糊积分 |
60-61 |
|
5.3 基于模糊积分的遥感影像分类算法 |
61-66 |
|
5.3.1 模糊积分在多分类器融合中的应用 |
61-62 |
|
5.3.2 模糊密度和模糊测度的确定 |
62-65 |
|
5.3.3 算法实现 |
65-66 |
|
5.4 实验结果分析 |
66-69 |
|
5.4.1 融合算法性能比较实验 |
66-68 |
|
5.4.2 遥感影像融合分类实验 |
68-69 |
|
5.5 本章小结 |
69-71 |
|
第六章 结束语 |
71-73 |
|
6.1 本文工作总结 |
71-72 |
|
6.2 研究展望 |
72-73 |
|
致谢 |
73-74 |
|
参考文献 |
74-78 |
|
作者在学期间取得的学术成果 |
78-79 |
|
附录: 本文算法实验平台 |
79 |
|
| 【DOI】 | LunWen.ID:2.2008.389448 |
