| 【中文题名】 | 高分辩率遥感影像军用目标检测研究 |
| 【英文题名】 | Studying the Martial Object Detection for High-resolution Remote Sensing Images |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-20 |
| 【中关键词】 | 支持向量机,遥感影像,训练算法,纹理分析,区域定位,目标检测 |
| 【英关键词】 | SVM,Remote Sensing Image,Training Algorithm,Texture Analysis,Getting ROI,Object detection, |
| 【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】 |
现代遥感技术已进入一个能够动态、快速、准确、多手段提供对地观测数据的新阶段。遥感影像的质量也呈现高分辨率、高光谱和多时相的发展趋势。与此同时，遥感技术也广泛应用到农业、环境监测、经济建设和国防等各个领域。针对高分辨率遥感影像的目标检测作为遥感技术一个重要的应用研究方向，就是通过某种技术手段，对遥感图像中的感兴趣目标进行定位和目标辨别的过程。遥感影像的目标检测无论在军事还是民用领域都有着广泛的应用前景。
对基于计算机视觉技术和模式识别技术的目标检测系统来说，基于数据的机器学习问题是其中重要的一环。支持向量机(support vector machine，SVM)是Vapnik等人提出的一种新的学习算法，由于其出色的学习性能，该技术已成为机器学习界的研究热点，并在很多领域都得到了成功的应用。与其理论研究相比，在遥感图像处理中的应用研究起步相对较晚。
本文在支持向量机算法、遥感影像目标检测中的应用等方面进行了系统的研究，本文主要工作如下：
1．将支持向量机引入到高分辨率遥感影像的目标检测应用当中。考虑大样本时，样本中存在着较大的冗余，并且支持向量机的分类效率和准确率都只和支持向量有... |
| 【论文题纲】 |
|
摘要 |
6-8 |
|
Abstract |
8-10 |
|
第一章 绪论 |
10-18 |
|
1.1 引言 |
10 |
|
1.2 研究的背景和意义 |
10-14 |
|
1.2.1 高分辨率遥感影像及应用 |
10-12 |
|
1.2.2 高分辨率遥感影像目标检测及其意义 |
12-14 |
|
1.3 高分辨率遥感影像目标检测的研究现状和发展趋势 |
14-16 |
|
1.3.1 高分辨率遥感影像目标检测技术的现状和问题 |
14-15 |
|
1.3.2 遥感目标检测技术的发展趋势 |
15-16 |
|
1.4 本文的研究内容及组织结构 |
16-18 |
|
第二章 统计学习理论和支持向量机 |
18-31 |
|
2.1 序言 |
18 |
|
2.2 统计学习理论 |
18-23 |
|
2.2.1 机器学习问题的表示 |
19-20 |
|
2.2.2 学习过程的一致性 |
20-21 |
|
2.2.3 VC维和推广性的界 |
21-22 |
|
2.2.4 结构风险最小化原则 |
22-23 |
|
2.3 支持向量机 |
23-30 |
|
2.3.1 最优分类面的构造 |
24-26 |
|
2.3.2 广义最优分类面 |
26-27 |
|
2.3.3 高维空间中的推广与 Mercer定理 |
27-28 |
|
2.3.4 支持向量机 |
28-30 |
|
2.3.5 支持向量机的特点 |
30 |
|
2.4 本章小结 |
30-31 |
|
第三章 支持向量机的训练算法研究 |
31-39 |
|
3.1 引言 |
31 |
|
3.2 支持向量机的训练算法的发展 |
31-36 |
|
3.2.1 几何方法 |
32 |
|
3.2.2 代数方法 |
32-34 |
|
3.2.3 序贯最小优化算法(SMO) |
34-36 |
|
3.3 基于 K均值聚类的支持向量机迭代算法 |
36-38 |
|
3.3.1 K均值聚类算法 |
36-37 |
|
3.3.2 基于 K均值聚类的支持向量机迭代算法 |
37-38 |
|
3.4 本章小结 |
38-39 |
|
第四章 多分类支持向量机 |
39-47 |
|
4.1 引言 |
39 |
|
4.2 常用的多类支持向量机分类算法 |
39-42 |
|
4.2.1 1-a-R SVMs |
39-40 |
|
4.2.2 1-a-1 SVMs |
40-41 |
|
4.2.3 基于有向无环图的多分类支持向量机 |
41-42 |
|
4.3 基于决策树的多分类支持向量机 |
42-46 |
|
4.3.1 基于二叉决策树的多分类支持向量机 |
42-43 |
|
4.3.2 结合无监督聚类的 SVM多分类决策树 |
43-46 |
|
4.4 本章小结 |
46-47 |
|
第五章 遥感影像中感兴趣区域的快速定位及目标检测 |
47-71 |
|
5.1 引言 |
47 |
|
5.2 快速检测算法概述 |
47-55 |
|
5.2.1 针对分类器的快速算法 |
48-53 |
|
5.2.2 针对搜索策略的快速算法 |
53-55 |
|
5.3 基于先验信息的感兴趣区域快速定位方法 |
55-57 |
|
5.3.1 基于图像地理信息的区域快速定位 |
56 |
|
5.3.2 基于地图先验信息的区域快速定位 |
56-57 |
|
5.4 缺乏先验信息的感兴趣区域的快速定位及目标检测 |
57-70 |
|
5.4.1 支持向量机的选择和设计 |
57-58 |
|
5.4.2 分类检测系统的设计 |
58-68 |
|
5.4.3 基于 SVM二叉决策树的飞机目标自动分类识别 |
68-70 |
|
5.5 本章小结 |
70-71 |
|
第六章 总结与展望 |
71-73 |
|
参考文献 |
73-76 |
|
攻读硕士学位期间发表的论文 |
76-77 |
|
致谢 |
77 |
|
| 【DOI】 | LunWen.ID:2.2008.389462 |
