城市TM遥感图像分类方法研究-遥感技术-论文之家

您现在的位置：硕士论文 >> 电子论文 >> 自动化 >> 遥感技术 >> 正文

城市TM遥感图像分类方法研究

作者：吴学军 Publish: 2007-10-11 Hits:-

【中文题名】

城市TM遥感图像分类方法研究

【英文题名】

The Study of City TM Remote Image Classification Methods

【学科专业】

电路与系统

【论文级别】

硕士论文

【投稿时间】

2007-10-11

【中关键词】

TM遥感,图像分类,决策树,BP神经网络,分类精度,

【英关键词】

TM Remote Sensing,Image Classification,Decision Tree,BP Neural Network,Classification Accuracy,

【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>图像处理设备>

【论文摘要】

遥感图像分类一直是遥感研究领域的重要内容,如何解决多类别的图像的分类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。遥感图像的计算机分类是通过计算机对遥感图像像素进行数值处理,达到自动分类识别地物的目的。遥感图像分类主要有两类分类方法:一种是非监督分类方法,另一种是监督分类方法。非监督分类方法是一个聚类过程,而监督分类则是一个学习和训练的过程,需要一定的先验知识。非监督分类由于不能确定类别属性,因此直接利用的价值很小,研究应用也越来越少。而监督分类随着新技术新方法的不断发展,分类方法也是层出不穷。从传统的基于贝叶斯的最大似然分类方法到现在普遍研究使用的决策树分类和人工神经网络分类方法,虽然这些方法很大程度改善了分类效果,提高了分类精度,增加了遥感的应用能力。但是不同的方法有其不同优缺点,分类效果也受很多因素的影响。本文在对国内外遥感图像分类方法研究的进展进行充分分析的基础上,应用最大似然分类法、决策树分类法和BP神经网络分类法对北京市TM遥感图像进行了分类研究。在对分类实现中,首先对分类过程中两个必不可少的,并影响分类效果的步骤也进行了详细地研究,分别是...

【论文题纲】

中文摘要	3-4
英文摘要	4-9
第一章绪论	9-14
1.1 遥感图像分类的意义	9-10
1.2 国内外研究历史和现状	10-12
1.2.1 目视解译分类方法	10
1.2.2 传统的分类方法	10-11
1.2.3 提高分类精度的新方法和手段	11-12
1.3 研究方法与研究内容	12-13
1.3.1 研究内容	12
1.3.2 研究方法	12-13
1.4 论文的结构	13-14
第二章遥感图像计算机分类技术	14-22
2.1 遥感图像计算机分类的一般原理	14-16
2.1.1 概述	14-15
2.1.2 计算机分类的基本原理	15
2.1.3 计算机分类处理的一般过程	15-16
2.2 非监督分类	16-17
2.3 监督分类	17-19
2.3.1 遥感图像分类中训练样本的选取	17-18
2.3.2 遥感图像分类特征的选择与提取	18-19
2.3.3 最大似然分类法	19
2.4 分类新方法	19
2.4.1 基于人工神经网络分类	19
2.4.2 基于决策树的分类	19
2.4.3 基于专家知识和地学知识的图像分类	19
2.5 遥感图像分类评价	19-22
2.5.1 误差矩阵	20-21
2.5.2 Kappa 分析	21-22
第三章研究区典型地物类型样本的确定	22-29
3.1 样本确定的原则和方法	22
3.2 研究区概况	22
3.3 研究区地物类型的确定	22-23
3.4 各个地物类型的样本的选取	23-28
3.4.1 建立目视解译标志	23-25
3.4.2 地面实地调查采集	25-26
3.4.3 利用高分辨率遥感图像作为参考选择样本点	26
3.4.4 利用 ENVI 遥感图像处理软件选取样本点	26-28
3.5 样本区提取方案	28-29
第四章遥感图像分类特征的分析与选取	29-42
4.1 波段选择	29-32
4.1.1 TM 波段光谱特性分析	29-30
4.1.2 TM 波段统计特征分析	30-31
4.1.3 TM 波段相关系数分析	31-32
4.1.4 最佳组合波段	32
4.2 原始光谱响应特征的分析	32-35
4.2.1 原始图像光谱响应特征	32-33
4.2.2 各类地物光谱响应特征的分析	33-35
4.3 归一化植被指数特征的分析	35-36
4.3.1 植被指数	35-36
4.3.2 各地物归一化植被指数特征的分析	36
4.4 KL、KT 变换特征的分析	36-39
4.4.1 K-L 变换	36-38
4.4.2 K-T 变换	38-39
4.5 基于小波变换的纹理特征的分析	39-42
第五章遥感图像分类实验研究	42-59
5.1 基于最大似然法的分类	42-43
5.1.1 最大似然分类法原理	42
5.1.2 最大似然法分类实践	42-43
5.1.3 分类结果图	43
5.2 基于决策树方法的分类	43-48
5.2.1 决策树算法原理	43-44
5.2.2 对于研究区决策树分类过程	44-48
5.2.2.1 分类前准备	44-45
5.2.2.2 决策树分类流程图	45-46
5.2.2.3 分类实践	46-48
5.2.2.4 分类后处理	48
5.3 基于BP 神经网络方法的分类	48-52
5.3.1 人工神经网络简介	48
5.3.2 BP 神经网络分类算法原理	48-50
5.3.2.1 BP 神经网络算法原理	48-49
5.3.2.2 BP神经网络分类的一般过程	49-50
5.3.3 研究区BPNN分类实验	50-52
5.3.3.1 分类前准备	50
5.3.3.2 BP神经网络分类器设计	50-51
5.3.3.3 不同特征选择的BPNN分类	51-52
5.4 分类精度评估比较	52-58
5.4.1 不同分类方法分类结果图	52-55
5.4.2 三种分类器分类精度分析	55-57
5.4.3 不同特征的BP 神经网络分类结果对比分析	57-58
5.5 小结	58-59
第六章总结与展望	59-61
参考文献	61-65
致谢	65-66

【DOI】

LunWen.ID:2.2008.389477



付费论文：有参考文献 300元

1、注册会员 2、购买本文 3、下载文章
注:此文为收费论文，需付费购买。每页大约1000字。

代写论文流程

载入中…

Web lunwenjia


热门搜索：TM遥感论文图像分类决策树 BP神经网络分类精度

遥感技术最新论文

遥感技术热门论文