哈斯巴干[1]2003年在《神经网络及其组合算法的遥感数据分类研究》文中指出随着多波段，多分辨率遥感数据的增加和应用质量的不断提高，需要开发更加有效的遥感数据分类算法，当前图像处理软件中的统计分类方法是以参数假设为约束条件，需要数据分布服从高斯分布。但多数的遥感数据的分布并不服从高斯分布的假设条件，因而导致分类精度不高的原因之一。因此，本文以非线性理论为指导，探索了以SOFM神经网络分类方法、改进的模糊数学方法和粗糙集方法以及小波变换与SOFM结合、粗糙集方法与BP网络结合的遥感数据组合分类方法和软件实现。 论文共包括七章内容。 第一章介绍了神经网络理论的研究现状及其在遥感数据分类中的进展，然后分析了神经网络分类方法与其它非线性现代数学方法相结合的必要性。第二章介绍了神经网络的结构、学习规则和主要的神经网络类型。第叁章简要介绍了神经网络中的BP算法，在对算法原理的理解的基础上，成功实现了非同源数据的BP算法分类。第四章集中研究了20世纪90年代发展起来的粗糙集理论及容差粗糙集算法，以及探索了将容差粗糙集应用到遥感数据的预处理中，评价了容差粗糙集作为预处理功能对BP网络分类收敛问题有效作用和精度的提高。第五章介绍了自组织特征映射神经网络(SOFM)算法与矢量量化学习算法；同时考虑到现在资源卫星采用的高分辨率的全色波段和较低分辨率的多光谱波段结合的发展趋势，研发了小波融合与SOFM分类的组合方法，取得了比较好的效果。第六章非监督分类方法由于人为干扰少经常被用在不同时期的遥感信息变化检测中，但是常用的K-均值算法是一种硬划分聚类方法、模糊c-均值算法是欧氏距离(等轴空间聚类)这两种算法在遇到混合像元和多波段数据分布是非等轴空间时，算法的有效性和适用前提受到挑战。根据这种情况，研究提出了改进的模糊c-均值算法(Mahalanobis距离)，本章还将聚类结果与K-均值算法和模糊c-均值算法进行了对比分析：根据实践经验，从理论上还提出了改进的模糊c-均值算法的聚类结果可用来求RBF神经网络隐层各节点的高斯核函数的中心值和标准化常数，从而提高RBF神经网络的分类精度的设想，是今后努力的方向之一。第七章为结论部分。 本论文的方法创新点归纳为: 1.深入研究了自组织特征映射神经网络(S OFM)遥感数据分类万法原理，即方法可以把多维空间数据按其内在拓扑性质不变地映射到低维空间，并且在其低维空间的拓扑映射图上容易地可视化判定分类结果的好坏，从这个原理出发提出了小波变换局部高频替代融合算法与自组织特征映射神经网络结合的遥感数据分类方法，此方法可以充分挖掘多波段数据所提供的空间和光谱信息，显着提高分类结果。 2.利用容差粗糙集能够有效去除训练数据中的噪声功能与BP网络结合可以在一定程度上解决BP网络收敛问题和提高网络的分类精度。 3探索了粗糙集理论和方法在处理遥感数据中的应用可能性，提出了采川只满足自反性和对称性关系的容差粗糙集遥感数据分类预处理算法:首先对所有数据按下近似集分类，然后对第一步没有分类的数据按其从上近似集得到的粗糙隶属度进行分类。 另外，本论文还有以下特色: 4.根据亚洲沙尘暴项目的需要，研究了利用神经网络对遥感数据和气象台站数据(非同源数据)的分类尝试，扩展了神经网络分类的应用。 5.根据当前资源卫星数据的全色波段与多光谱结合的特点(分辨率一般为1/2)，提出了小波变换局部高频替代融合算法有效提高了多光谱波段的空间分辨率。 6.提出了改进的模糊c一均值聚类方法，它是采用基于标准协方差矩阵的Mahalanobis距离，即椭球体聚类方法，这种聚类算法更接近遥感数据的实际情况，从而可以显着提高聚类效果而且也为RBF神经网络能够更准确地选取高斯核函数的参数提供了一个新的算法。
曾广伟[2]2013年在《基于神经网络的耕地遥感图像分类研究与应用》文中研究表明遥感影像数据的分类研究是遥感图像分析领域的重要分支,怎样将复杂的遥感图像进行识别分类并达到一定的精度,更是遥感研究领域的一个关键性的问题。神经网络技术的出现,为解决这一问题提供了非常有力的支持,神经网络无须像传统分类方法那样事先对分类的概率模型及条件作假设,并且有很强的自学习能力和容错能力,适合非线性的复杂的识别问题的处理,因此,神经网络技术在遥感图像分类的研究中越来越受到重视。同时,由于人工智能技术的迅速发展,遥感技术在耕地类型调查、面积提取计算等方面也越来越重要。通过遥感技术对耕地覆盖变化等进行研究,方便农业决策者利用卫星遥感技术进行土地资源调查,对实现农业资源的合理监控与利用具有重大意义。神经网络技术当中,目前应用最为广泛的算法是反向传播人工神经网络(简称BP网络)。因此,本研究以吉林省榆树市的部分试验区域的遥感数据为例,(1)利用IDL/ENVI开发模式并结合神经网络算法,开发出适合实验区遥感图像的ENVI插件程序;(2)对遥感图像进行了图像增强、主成分分析、纹理信息计算等图像预处理工作,并在分类时将遥感图像的纹理特性添加进去。(3)利用开发的ENVI插件对遥感数据进行分类处理并同其它传统方法进行精度比较。(4)通过对遥感图像的分类,针对对部分实验区的耕地分布情况,本研究将直观的遥感分类图结合精确的榆树市2000年以来的耕地变化情况进行了分析研究。利用开发的插件对遥感数据分类处理之后,将BP神经网络分类结果及精度、最大似然法分类结果及精度、加入纹理信息后的BP神经网络分类结果及精度进行了比较与分析发现：(1)反向传播人工神经网络模型对复杂的遥感图像中难以区分的地物类别(比如混合像元)比传统的具有代表性的最大似然分类法可以取得较为理想的分类效果,(2)变差函数纹理特征的加入又提高了遥感影像分类的精度。(3)利用IDL/ENVI开发模式开发具有针对性及适应性的分类插件对试验区域的遥感图像的分类取得了较为满意的结果,插件程序的开发不仅对ENVI功能的拓展上探索了一些实践的意义,还为以后具体的研究开创了一个新的途径。(4)实验区的耕地面积在2000年到2007年间逐渐减少,其中与城市建设占地有着很大的关系。在遥感图像分类前,针对遥感图像的复杂性,本研究没有孤立的只是重视具体的算法研究及思路,而是在研究的同时处理了很多的细节优化,包括主成分分析、样本的提取、最佳波段的组合等,这样就把图像的分类过程作为一个流水线的整体来考虑,为提高分类精度提供有力的保证。
李大威[3]2017年在《基于集成学习的高分遥感图像玉米区高精度提取算法研究》文中进行了进一步梳理农作物识别是农情监测的重要内容,是调查监测农作物种植面积、长势、产量、品质、病虫害等的基础。卫星遥感技术的快速发展为农业遥感行业应用提供了大量高质量的遥感数据源,蕴含丰富的地物信息,但遥感信息自动提取长期困扰研究学者。目前农作物信息的精细提取仍依赖人工目视解译,效率低下,受人员经验制约。虽然机器学习方法不断改进,但受作物种植品种差异大、地块破碎、同期作物混杂混种以及同物异谱等主客观因素的制约,规则简单、结构单一的自动提取算法在复杂地物分布情况下表现出极大的局限性。同时,各算法过分依赖手工设计的特征质量和大量的标记样本,地物分布复杂的高分数据源的地物提取精度较低,影响最终决策的准确性。因此,提高提取精度成为遥感技术在农业领域应用中的关键。集成学习能够利用多个学习方法解决同一问题,综合多种算法的优点,显着提高算法的整体泛化能力。本论文以集成学习为主线,研究高分遥感图像玉米区的高精度提取算法,将支持向量机、神经网络、深度学习与集成学习融合,从不同基本算法、不同特征集输入、不同算法结构等方面保证算法多样性,构建集成提取算法,以提高玉米区提取精度,提出的集成提取算法也能在其它类型农作物的信息提取中发挥作用。论文主要从以下四个方面开展了研究工作:(1)特征提取与特征集构建研究:在对高分遥感图像校正、融合等预处理和图像特征提取的基础上,以随机森林为技术手段,评估特征的重要性程度;遍历选择不同特征并构造组合,将其提取结果分别作为证据源,采用改进的权重系数和冲突概率自适应调整的D-S证据合成规则处理冲突证据,两组高分遥感研究区图像实验合成结果分别达到0.84和0.87以上,较传统合成方法提高了4%和6%;根据实验结果选取最优的特征组合,重组构建了光谱特征集、纹理特征集以及联合特征集,以其为输入开展后续研究。(2)同异质集成提取算法研究:探究典型监督算法—支持向量机和极限学习机网络等浅层学习方法的特点,研究了多分类器集成与合成规则;以混合迭代为手段,提出新的混合核支持向量机同质集成算法;进而研究不同学习方法的性能差异,提出以极限学习机网络和支持向量机为基本方法的异质混合集成提取算法,提高复杂地物分布情况下的高分图像信息提取算法的泛化能力。(3)深度网络集成提取算法研究:重点研究堆栈自编码和深度卷积神经网络的基本原理,分别探究其结构设置规则和参数设置优化方式;基于无监督特征学习构建的深度网络集成提取算法,针对一维像元数据和二维多特征图像实现深层特征的学习及玉米区类别属性的判别;同时针对二维卷积网络对输入数据的特殊要求,挖掘像元邻域的上下文信息,提出了基于像元扩展的二维输入图像制备方法,克服了复杂场景地物提取中等尺寸分块方法的缺点,为扩展二维卷积网络的农业遥感应用提供先决条件。(4)实验验证:以高分一号和高分二号的典型研究区图像为数据源,针对不同空间分辨率(2m与0.8m)、不同时相(单时相与双时相)、不同幅面(512?512、1024?1024与1500?1500等)、不同特征集(光谱、纹理与联合特征集)以及不同的地物分布特点的玉米区图像,通过多组实验验证集成算法性能。基于支持向量机和极限学习机的同异质集成提取算法总体精度较传统监督算法和单一学习算法有了显着提高,特别是联合特征集输入的结果基本达到了0.85,异质集成优于同质集成;联合特征集输入的二维卷积深度网络集成提取算法总体精度达到0.90以上。综上,集成学习能够有效提高高分图像玉米区提取精度,深度网络集成提取算法性能表现优于以支持向量机和极限学习机为基本方法的同质、异质集成提取算法,图像的高空间分辨率有助于提高集成算法的玉米区提取精度。
古丽娜孜·艾力木江[4]2017年在《基于模式识别的土地覆盖遥感图像分类方法研究》文中指出随着遥感技术向着高空间分辨率、高光谱分辨率、高时相分辨率的“叁高”方向和多平台、多角度、多传感器的“叁多”指标方向的迅猛发展,使得人们能够获取规模越来越大的遥感影像数据。目前,遥感技术在国土资源调查、农作物产量估算、城市规划、土地覆盖变化与土地利用、交通检测、生态环境监测、军事侦查、地震监测等领域已被普遍应用并发挥着越来越广泛的社会效益。土地覆盖变化与土地利用遥感图像反映了土地覆盖与利用情况,它与人类的生活、生产密切相关,也是政府制定土地利用决策的重要依据。大尺度专题图的制作和土地覆盖变化的宏观检测不论是在生态环境变化检测还是在提高社会经济效益方面都体现着其重要研究意义。精确与时实的土地覆盖遥感数据分类信息的提取不仅与数据质量和分辨率有关,还与分类方法原理有关。模式识别(Pattern Recognition,PR)是20世纪60年代开始迅速发展起来的一门新兴学科。模式识别与计算机科学、统计学、控制论、认知科学等学科的研究都有关系,因此称模式识别为多门交叉学科。模式识别方法理论的完善和传感器、计算机自动控制技术等相关交叉应用技术的迅速发展,推广了遥感图像计算机智能解译的工作。遥感图像计算机解译的目标是对遥感图像中的各种地表物进行识别与分类。本文以模式识别方法在遥感图像分类领域中的应用为主要研究方向,从遥感图像的特性出发,力图找到模式识别方法与遥感图像专题分类应用之间的结合点,以提高遥感图像分类精度为目标,以ALOS/PALSAR,PSM等遥感影像作为主要实验数据,利用遥感图像空间、光谱等特征,进行遥感图像地表物的识别分类。首先,详细介绍专题分类中的模式识别方法理论,并对支持向量机(Support vector machine,SVM)核函数进行了深入研究;提出两种对SVM核函数的优化改进方法并对遥感图像进行分类实验和结果分析;之后提出新的样本距离测度方法和基于SVM与KNN、ELM等模式识别方法相结合的遥感图像分类算法,进行分类实验并与模式识别其它方法的分类结果进行了对比分析;最后提出基于模糊聚类(fuzzy c-means,FCM)与SVM相结合的遥感图像分割方法,并在此基础上实现了面向对象的遥感图像分类。本文主要研究工作及获得的成果如下:1.对遥感图像分类领域被普遍应用的模式识别方法原理进行较深入研究和概括。首先,详细介绍了模式识别方法的基本工作原理;其次,以统计模式识别方法在遥感专题图分类领域里的应用为重点较全面论述了监督分类、非监督分类、半监督分类、多分类器集成等常用的统计模式识别方法;最后,对分类精度的评价方法做了简述。2.提出两种SVM核函数的优化改进方法。本文对SVM分类方法工作原理、核函数等概念进行较全面的研究,对SVM核函数与最优参数的选择问题进行有益探索,并通过提出两种复合核函数方法对SVM核函数的优化改进进行了客观研究。优化核函数方法一来达到原有核函数间的优势互补效果,二来使样本测度函数同时兼顾样本的亮度差异性和角度差异性特征;通过遥感图像分类实验,与其它传统核函数分类性能进行对比分析,实验数据表明本文提出方法的可行性和有效性。3.在对遥感图像传统分类算法的研究基础上,以多分类器组合技术在遥感图像分类中的成功应用为线索,提出两种基于混合判别规则的样本距离测度方法和ELM-SVM的组合分类器模型,并通过多分类器组合技术实现了遥感图像的分类。本文提出的组合分类器方法有效抑制了KNN算法的惰性学习和最优k参数选择的困难问题,同时对ELM(Extreme Learning Machine,ELM)方法的分类精度进行了有效改善。遥感图像分类实验各类指标表明本研究提出的算法效率均优于参与对比分析的其它分类算法,有效验证了方法可行性。4.通过研究面向对象遥感图像分类技术,提出一种基于FCM的像元自动分割方法,并与SVM结合实现了面向对象的遥感图像分类。对于面向对象遥感图像分类技术的难点在于遥感图像的分割。目前有基于直方图的、基于区域的、基于边缘检测的和基于图的等几种分割算法。本研究提出一种简单易行的FCM与SVM结合实行的像元自动分割与分类方法。本文以模式识别其它方法效率对比分析的大量实验数据定量地验证了提出方法的鲁棒性。
李启青[5]2004年在《遥感数据处理的遗传优化及其组合算法研究》文中研究指明当代系列遥感地球观测卫星计划为人类提供了超越已有知识的平台。现代计算机技术为我们提供了强大的计算和数据处理能力，遥感数据处理方法、模型与预测技术的不断出现为信息和知识的挖掘提供了不可或缺的工具。目前，已经有很多科学家从不同角度、以不同的途径探索新的数学算法，并且希望这些算法具有自动理解、识别以及自学习和自适应能力。遥感数据包含光谱、结构以及角度等信息，合理并充分利用多种信息对目标数据进行分析是遥感数据处理方法的一个发展趋势。 本论文着重于将遗传算法、贝叶斯网络等智能工具和方法应用于遥感数据处理领域。由于遗传算法从进化的角度阐释人类认识客观世界的原理和方法，提供了一种数据和信息处理的优化框架并具有全局搜索、易于并行的优点，已经很好的应用于很多领域。贝叶斯网络是在贝叶斯统计基础上发展起来的新的模式分类方法，它提供了一种可以同时利用先验知识和样本信息进行分类和判别因果关系的遥感数据处理工具。将遗传算法、贝叶斯网络等应用于遥感图像数据处理领域已经逐渐成为研究热点。本论文以遗传算法为主线，结合贝叶斯网络工具，主要从分类以及匹配等角度研究了一些新的处理方法。论文共包括七章内容： 第一章介绍了遗传算法在国内外的研究及其在遥感领域中的应用现状，阐述了论文的总体框架和技术路线。第二章详细解释了遗传算法的数学原理、进化方向、进化规则以及主要的遗传算法类型。在前人研究的基础上，第叁章详细给出了超平面分类模型和遗传超平面分类算法的基本原理，并通过MODIS、ETM、ASTER等数据分别从简单的分类情况、遗传算法参数选择和总体分类效果几个方面对该算法做了总体评价。第四章通过北京某地区的航空图像对基于遗传算法的遥感图像匹配定位方法做了简单介绍并给出了实验结果。第五章进行了遥感图像的贝叶斯网络分类和遥感数据推理实验，分别给出了实验结果，并在总结贝叶斯网络分类器学习算法的基础上，详细介绍了贝叶斯网络的遗传学习过程。第六章首先研究了图像分割，包括边缘检测方法，随后研究了遥感图像的四叉树结构表达。在图像分割思想的启发下，结合遗传算法提出了遗传四叉树分类算法的详细框架。这种方法与上述几种方法区别在于同时利用了遥感数据的空间信息和光谱信息，是遥感图像数据处理的发展方向之一。第七章给出了本文的结论，对部分内容进行了讨论并提出了下一步的研究方向。 论文的主要创新点和特色: 1、深入研究了遥感数据超平面模式分类方法，进一步探索了二进制和十进制编码的遗传算法，提出了一种数据模式的特征空间描述和分类方法，此方法利用遥感数据的多光谱信息进行分类并且在相同训练数据时精度较高，具有较好的效果。 2、基于遗传算法提出了一种通过模板匹配进行目标定位的方法，并利用航空图像进行了实验，该方法可以对目标定位的进一步研究提供较好的借鉴作用。 3、在与遗传算法组合研究方面，在深入研究贝叶斯网络分类原理的基础上探索了贝叶斯网络分类器学习算法，同时给出了基于遗传算法的学习方法，提出了一种遥感图像的贝叶斯网络分类和数据推理方法。比较贝叶斯分类而言，贝叶斯网络分类综合考虑了波段之间的条件依赖关系。实验结果表明，贝叶斯网络分类和推理方法在准确率方面一般高于贝叶斯方法。 4、探索了遥感图像的四叉树结构表达，提出了表达多光谱图像数据的可扩展四叉树结构，给出了遗传四叉树分类方法的框架，该方法可以同时使用遥感数据的光谱和空间信息。 论文以遗传算法作为研究主线，着重探讨遗传算法与其它方法结合形成的新方法并对之进行实验分析。在遥感数据分类和匹配领域，所提供的几种可选择的新方法具有独特的性能。
张华[6]2012年在《遥感数据可靠性分类方法研究》文中研究表明遥感数据分类技术是从遥感数据中提取专题类别数据的一个重要手段，但由于自然环境的复杂性、遥感传感器及分类算法的局限性等原因，不确定性伴随遥感数据分类的整个过程，在利用遥感数据分类获取的信息中含有较大的不确定性。如何了解这些不确定性的本质，降低其对分类结果精度的影响，提高分类精度，建立可靠的遥感数据分类方法，是遥感数据分类研究的重要问题。为此，本文以遥感数据分类过程为出发点，研究分类过程中的主要环节的不确定性对分类精度的影响，提出遥感数据可靠性分类方法，提高最终分类结果精度。研究内容包括训练样本数据对遥感数据分类精度的影响、遥感数据可靠性分类模型和分类精度评价的可靠性样本抽样方法叁个部分。研究成果将为提高遥感数据分类结果的精度提供一整套新的解决方案。具体研究工作主要包括：（1）通过对典型区域遥感数据分类实验的研究，得出训练样本数量、质量及抽样方法与不同分类方法分类精度的响应关系：1）不同的分类方法对样本量的响应及同种分类方法对相同样本量的响应程度是不同的，且分类精度都存在一定程度的波动性，但达到一定数据的样本时，分类精度均值是相对稳定的；2）同一种分类方法利用在相同质量指标划分的不同质量等级的训练样本得到的分类精度不同；不同分类方法对在相同指标划分的同一质量等级的训练样本响应也是不同的；3）不同抽样方式下的多次抽样获取的训练样本得到的分类结果精度的平均值基本上都能够反映实际的分类精度，分层抽样方法要比非分层抽样方法好，点抽样方法要比群抽样方法好。（2）针对混合像元是造成分类精度低的根本原因，将模糊拓扑理论引入到传统SVM，提出比传统SVM分类精度更高的FTSVM遥感影像分类方法。该方法利用提出的改进投票法得到每个像元的后验概率，然后根据最优阈值确定每个像元属于类别的内部、边界或外部，最后利用模糊拓扑中的空间邻域相关性对处于类别边界的像元进行重新分类，从而提高了混合像元的分类精度，最终提高了整个遥感数据分类精度。（3）充分考虑不同分类器对每个像元的识别能力，提出了基于矩阵特征向量的多分类器组合方法，利用多个分类器的输出的每个像元的概率矢量构成一个概率矢量矩阵，然后根据每个像元的概率矩阵的特性，自适应调整每个分类器对此像元的权值，为分类性能好（分类不确定性小）的分类器赋予较大的权重，提高了分类精度和稳定性。（4）提出融合光谱与空间特征的遥感数据多种分类方法：1）充分考虑像元之间的邻域信息，提出改进后的FCM图像分割模型MFCM，获取图像的同质区域并与基于像元的MLC分类结果采用投票法融合，获得了比传统的MLC方法分类精度高的分类结果图；2）根据地理学第一定理的邻近原则，离中心像元距离越远的像元的影响应越小，引入空间引力模型使用距离函数表达像元间的相互作用在距离上的非线性关系，对经典的MRF模型进行改进，提出了SAMRF模型，使得其更符合实际情况，增强了对类别边缘的描述能力，提高了分类精度和稳定性；3）在分类中融合了Gabor小波、GMRF和GLCM叁种纹理特征，并提出了PAI、LW、Solidity和Extent四个像元形状特征，通过实验验证了纹理、形状特征及纹理融合、形状特征融合以及这两大类特征组合可以大大提高分类精度，且不同的纹理特征及形状特征对于不同的遥感影像中不同地类的分类精度的提高程度不同，在实际分类过程中，应将多个纹理和像元形状特征进行组合用于遥感影像分类，对于多特征组合分类，一般先要进行特征组合优化。（5）提出了基于空间均衡抽样和基于聚类的空间分层抽样方法进行检验样本选择，保证了验证样本的均匀性和代表性，从而提高了精度评价结果的可靠性。
魏香琴[7]2017年在《面向应用的国产光学卫星数据应用性能评价研究》文中研究说明近年来,随着国家高分辨率对地观测系统重大专项的实施和国家民用空间基础设施中长期发展规划(2015-2025年)的启动,我国对地观测卫星种类不断增加并日臻完善,遥感数据资源不断丰富,卫星应用领域和规模不断扩大,行业与区域应用蓬勃发展,业务化应用水平快速提高,卫星遥感在天气预报、减灾防灾、农业监测、资源调查、土地利用、环境监测、海洋监测、公共安全、重大工程建设等各方面都发挥了重要作用。我国已经成为卫星遥感大国,初步具备了服务国家经济与社会发展的能力。但是,不管是国际还是国内,陆地光学卫星遥感应用一直是个难题,其瓶颈就是从“数据”到“信息”的定量转化水平低。因此,面向应用需求,针对我国光学卫星数据的特点开展卫星数据应用性能评价及信息提取方法研究,对于促进我国光学卫星数据业务化应用,提高我国对地观测系统的应用效能,进而建设航天强国具有重要的意义。本论文以研究和评价国产光学卫星数据应用性能为目标,在对各行业应用需求调研和分析的基础上,以高分一号(GF-1)卫星宽视场成像仪(WFV)数据为例,对行业应用需求关注度高、卫星数据应用性能影响大的地表反射率、植被指数、土地覆盖分类和叶面积指数反演等典型要素进行研究,分析与评价我国光学卫星数据应用性能,为有效促进国产光学卫星从“数据”到“信息”的定量转化提供技术支撑,服务于国产卫星数据业务化应用的需求。具体的主要研究内容和成果如下:(1)我国卫星遥感应用部门众多,应用需求表述多样,科学、定量、系统、规范地对遥感应用需求进行描述存在很大困难。本研究利用调研、查阅文献和政策文件等方法统计分析了我国主要行业部门的遥感应用需求,并总结了行业部门的共性应用需求,主要包括专题地图的制作、长期稳定的数据源保障、多空间尺度数据需求和大范围、全球数据获取需求等。本研究进一步将行业应用需求转换为遥感应用参量和遥感观测参量,确定了大气、陆地和海洋叁大领域表征光学卫星数据应用性能的典型要素,最终选定地表反射率、植被指数、土地覆盖分类及叶面积指数反演四个典型要素作为分析国产光学卫星数据应用性能的评价指标。(2)光学卫星地表反射率数据的准确获取决定了遥感地物识别和地表参数反演的准确性,是遥感数据应用的基础。植被指数能较好地反映绿色植被的生长状况及其空间分布,有助于增强遥感影像的解译,已广泛应用于土地覆盖分类、植被参数反演等遥感应用领域。因此,验证国产光学卫星地表反射率和植被指数的可靠性是评价国产光学卫星数据应用性能的基础。本研究通过与Landsat-7卫星ETM+数据的地表反射率和植被指数交叉验证的方式评价和分析了GF-1卫星WFV数据。研究中采用了4种植被指数包括归一化植被指数(NDVI)、增强植被指数(EVI)、比值植被指数(RVI)和土壤调节植被指数(SAVI)。研究结果显示GF-1卫星WFV与Landsat-7卫星ETM+数据的蓝、绿、红和近红外波段地表反射率之间的线性回归决定系数分别达到了0.82、0.89、0.92和0.80,NDVI、EVI、RVI和SAVI四个植被指数之间的决定系数分别达到了0.90、0.84、0.83和0.91。结果表明GF-1卫星WFV数据和Landsat-7卫星ETM+数据之间具有很高的相关性,表明了GF-1卫星WFV数据具有可靠性。而且,GF-1卫星WFV数据的时空分辨率都优于Landsat-7卫星ETM+数据,使其能够更有效和及时的获取地表的详细信息,为行业部门应用提供了坚实的数据基础。(3)土地覆盖影响着地球系统过程的各个方面,具有重要的科学研究价值。不同植被类型之间具有不同的生长变化规律等明显区别于其它地物类型的时间变化特征,具有提高土地覆盖分类精度的潜力,但一直由于合适遥感数据源的缺乏,时相特征用于高空间分辨率遥感数据土地覆盖分类研究较少。本研究获取了覆盖研究区植被生长周期的时间序列GF-1卫星WFV数据,并利用其生成的时间序列NDVI提取了表征地物时间动态变化特征的时相特征,包括时间序列NDVI的最大值、最小值、平均值和标准差,进而采用支持向量机的分类方法分别进行基于光谱特征及其与时相特征组合的土地覆盖分类。验证结果表明本研究提取的时相特征能够有效体现不同植被类型的生长过程特征,提高了不同植被类型之间的可分性,最终提高了土地覆盖分类精度约7个百分点,达到了92.89%,尤其大幅度提高了植被类型的识别精度。研究结果表明了GF-1卫星WFV数据土地覆盖分类应用性能较好,能够为相关的应用提供可靠的高空间分辨率土地覆盖数据。(4)叶面积指数是表征叶片的疏密程度和冠层结构特征的重要植被参数,在全球变化研究、地表过程模拟和生态环境评估中发挥着重要的作用。本研究研发了以辐射传输模型为基础的叶面积指数自动化反演算法。该算法利用PROSAIL辐射传输模型模拟不同土壤和植被条件下的地表反射率与叶面积指数之间的物理关系,形成算法研发的样本数据集,进而利用神经网络算法构建地表反射率和叶面积指数之间的关系模型。GF-1卫星WFV数据的绿、红和近红外波段的地表反射率数据是神经网络的输入变量,相应的LAI是输出变量。利用地面测量LAI数据的验证结果表明本研究算法能够得到的令人满意LAI估算结果(R2=0.818,RMSE=0.50),表明GF-1卫星WFV数据具有较好的LAI反演应用性能,并且该算法具有利用GF-1卫星WFV地表反射率数据业务化生产LAI数据集的潜力,能够为农业、生态系统和环境管理等研究提供高时空分辨率的LAI数据。本论文的创新点是:(1)在广泛调研的基础上,提炼了行业部门的共性应用需求,并总结了表征遥感数据应用性能的典型要素;(2)利用交叉验证方法,检验和评价了GF-1卫星地表反射率数据和植被指数数据的可靠性;(3)提出了综合利用光谱特征和时相特征的国产光学卫星数据土地覆盖分类方法,有效改善了土地覆盖分类精度,尤其是提高了各种植被类型的识别精度;(4)研发了基于辐射传输模型和机器学习算法的十米级空间分辨率国产光学卫星数据LAI自动反演方法,克服了经验模型方法中模型参数的确定问题。
罗扬帆[8]2007年在《基于BP神经网络的遥感影像分类研究》文中研究指明随着卫星遥感分辨率的不断提高,人们可以从遥感图像中获得更多有用的数据和信息,对遥感图像分类是遥感图像信息获取的重要手段,由于遥感图像上的光谱值是多种地物的混合光谱,存在着“同谱异物”和“同物异谱”现象,因此仅依靠像元光谱之间相似性进行分类的总体精度难以提高。而人工神经网络法由于其非线性特征和较强的容错能力,为解决上述问题提供了可能。本文以2006年海南博鳌地区的Spot5遥感数据为基础,在对标准BP神经网络分类方法的基础上,通过输入矢量归一化处理、增加验证集、改进学习算法、试验隐层节点数等措施,对BP神经网络分类系统进行了改进,并用改进后的神经网络对影像进行了分类,将分类结果与非监督分类、最大似然法的分类结果进行了比对,结果表明改进后的BP神经网络分类的结果要优于非监督分类和最大似然法。
刘丹[9]2013年在《基于支持向量机与k-means混合分类模型的多光谱遥感影像分类研究》文中研究指明随着遥感数据获取技术的快速发展,数据源的多样性远远超前于数据的处理水平。因此,关于遥感数据处理与分析方法的研究对推动遥感数据应用具有重要的意义。其中,多光谱遥感数据的分类就是一个具有挑战性的研究方向之一。支持向量机(Support Vector Machine, SVM),作为统计学习理论最有效的方法之一,克服了传统方法中的过学习、非线性、维数灾难以及局部极小等问题,成为了多光谱遥感影像分类算法中的一个研究热点。SVM是一种机器学习算法,用于多光谱遥感影像的分类已经有二十年的历史。k-means聚类算法作为一种经典的聚类算法,也被用于对各种数据进行分类。通过阅读大量的文章发现,这两种算法均具有各自独特的优势与不足。因此,为了满足多光谱遥感影像分类后的应用需求,这两种算法的分类性能都具有一定的提升空间。由于SVM算法属于监督分类方法,分类前需要人工选取(标注)的训练样本来建立分类模型。然而,k-means聚类算法属于非监督分类方法,无需训练样本就可以自动对未知样本进行聚类。因此,这两种分类算法,在原理上具有很大的互补性。为进一步提高分类精度,本文提出了一种SVM与k-means联合工作的多光谱遥感影像混合分类模型。本文完成了该模型的数学推导,并将此策略成功地应用到了Landsat TM多光谱遥感影像数据的分类中。该混合模型的工作原理是：首先采用k-means对未知数据进行聚类,然后从各类的聚类中心周围一定半径内自动选取训练样本,作为SVM的训练数据。实验表明,通过人工标注的样本建立的SVM模型的分类精度为89.47%,而混合分类模型分类精度为97.53%。显然,混合模型的分类精度得到了显着的提高,从而有力地证明了该方法的有效性。在课题研究过程中,详细分析了“混合模型”所涉及到的一系列理论与实践问题。包括：高维数据与低维数据对不同核函数(Kernel)的适应问题、SVM的参数寻优算法(叁种优化算法)的选取问题、SVM变形算法(C-SVM、v-SVM及LS-SVM)的分类性能、二次规划问题的求解等。此外,本文还重点研究了核参数γ及惩罚因子C对RBF核函数下SVM分类器性能的影响。围绕本课题的目标,本文进行了五个方面的研究,采用了十六个实验来验证本文所涉及的一系列理论问题。通过对实验的结果分析,获取了重要的实验数据和结论,极大地丰富了理论研究的内容。这些研究内容为进一步的理论研究提供了有力的支撑,为本文提出的“SVM与K-means多光谱遥感影像混合模型分类模型”奠定了不可或缺的基础。
刘正军[10]2003年在《高维遥感数据土地覆盖特征提取与分类研究》文中研究表明高维遥感数据的分类与模式识别与常规的多波段遥感数据的分类具有显着的区别。受波段维数增加的影响，为对分类中需要使用的统计参数估计进行比较精确的，训练样本数要远高于常规多波段遥感数据的分类中所使用的样本数。Hughes现象表明，高维遥感数据分类前的特征提取与处理，是一项必要的、有效的工作。因而，采取何种有效的手段进行高维遥感数据分类前的特征提取，也是当前遥感分类与识别领域一个非常值得重视的研究方向。 本文对利用高维遥感数据进行土地覆盖分类过程中的图象特征表达、分类数据的预处理、特征提取、空间维信息表达与处理、分类算法等进行了综合的分析，并针对其中若干关键问题进行了具体的研究与专题论述。最后对将特征提取技术应用于实际工作，进行了基于NOAA-AVHRR时间序列数据进行中国土地覆盖分类研究。 主要研究内容与创新点包括： (1)、改进并提出了基于频域维纳滤波器方法的空域图象模糊复原算法。 在针对高分辨率图象中点扩散函数(PSF)概念分析的基础上，分析和讨论了基于CBERS-1图象的点扩散函数估计与图像复原算法。能对不同大气条件下的CBERS-1图象进行点扩散函数估计，采用维纳滤波器方法进行与反卷积算子计算，复原后的图象比原始图象清晰度有显着提高，该方法简单、数据运算量小。 (2)、提出了基于均值／标准差比的差值序列进行排序的SRROD滤波器。 通过对窗口内像元值进行排序，计算排序后的序列中子序列的均值和标准差，求其连续子序列的标准差与均值的比值并求归一化差值。通过将差值与给定的阈值比较可以有效地检测出脉冲噪声；检测出的噪声点的像元值取窗口内像元值的排序均值。该算法在模拟图象和真实的SeaWiFS噪声图象中的试验表明其具有优于其他算法的处理效果。并对非递归实现中的盲目参数优化进行了初步讨论。 (3)、发展了基于遗传算法的高维遥感图象特征选择技术。 比较全面地总结了当前模式识别与分类中的主要特征选择技术。在此基础上，发展了基于遗传算法的高维遥感图象特征选择技术。利用遗传算法的全局最优搜索能力，可以搜索出在不同特征组合条件下的最佳波段分类组合。初步的试验结果，该方法相对于前向选择算法具有更好的特征提取效果。 (4)、发展了基于遗传算法(GA)和小波变换的特征提取方法。 比较全面地总结了当前模式识别与分类中的主要特征提取技术。在前人工作的基础上，将GA算法的全局优化搜索能力与小波变换的多分辨率多尺度特征提取能力结合，发展了基于GA和小波变换的特征提取方法。对16种土地覆盖类型的识别结果表明，该方法相对于其他方法如主成分分析(PCA)、典范分析 (DAFE)、决策边界特征提取(DBFE)等具有更好的特征提取效果。 (5)、提出了金字塔型分类器解决在多分辨率下对土地覆盖类型的光谱纹理表现的综合与分类的框架和思路。 分析了不同分辨率条件下，土地覆盖类型的空间纹理、结构、几何表现。作者认为，混合像元的出现并不是只会造成类别的误分现象。相反，有时候一种特定的混合地表覆盖类型在低分辨率图象上会表现出独特的光谱特征。在不同分辨率级别上的图象特征，可以用来辨别不同级别、层次的地物类型。基于这一观点，提出了金字塔型分类器解决在多分辨率下对土地覆盖类型的光谱纹理表现的综合与分类的框架和思路。并结合离散小波变换(D盯)进行了初步的分类试验，结果表明，该方法确实能在一定程度上提高分类效果。 (6)、提出了基于G^算法与反传算法(即)结合进行多层感知机分类器(MLP)神经元网络权重初始化训练、网络结构训练的方法。 利用GA算法的全局优化搜索能力和BP算法的局部最优搜索能力，提出了基于GA算法与MLP分类器结合进行神经元网络权重初始化训练、并利用BP算法进行神经元网络结构反向传递训练的方法。该方法比单纯采用BP算法更能收敛到最小总误差.并根据训练过程中网络权重结构的调整进行分析与检验。 (7)、进行了基于N0从^vHRR时间序列数据去云处理与特征提取的中国土地扭盖分类研究。 根据NOAA AVHRR时间序列数据的特点，针对六种典型云覆盖情况，提出了多时相NDVI去云处理方法。将去云处理后的NDVI数据集应用于基于PCA的最大似然分类进行了中国土地覆盖分类。取2000个随机分布的样点并以1:400万的中国植被类型图作为标准的植被类型分布进行精度检验表明，与基于原始NDVI数据集的MLC分类比较，分类精度提高巧.62%。这证明采用多时相NDvi去云处理方法并结合特征提取技术能有效提高数据质量，增强不同土地覆盖类型之间的类别可分离性，从而提高总分类精度。
参考文献：
[1]. 神经网络及其组合算法的遥感数据分类研究[D]. 哈斯巴干. 中国科学院研究生院（遥感应用研究所）. 2003
[2]. 基于神经网络的耕地遥感图像分类研究与应用[D]. 曾广伟. 吉林农业大学. 2013
[3]. 基于集成学习的高分遥感图像玉米区高精度提取算法研究[D]. 李大威. 中北大学. 2017
[4]. 基于模式识别的土地覆盖遥感图像分类方法研究[D]. 古丽娜孜·艾力木江. 东北师范大学. 2017
[5]. 遥感数据处理的遗传优化及其组合算法研究[D]. 李启青. 中国科学院研究生院（遥感应用研究所）. 2004
[6]. 遥感数据可靠性分类方法研究[D]. 张华. 中国矿业大学. 2012
[7]. 面向应用的国产光学卫星数据应用性能评价研究[D]. 魏香琴. 中国科学院大学(中国科学院遥感与数字地球研究所). 2017
[8]. 基于BP神经网络的遥感影像分类研究[D]. 罗扬帆. 北京林业大学. 2007
[9]. 基于支持向量机与k-means混合分类模型的多光谱遥感影像分类研究[D]. 刘丹. 昆明理工大学. 2013
[10]. 高维遥感数据土地覆盖特征提取与分类研究[D]. 刘正军. 中国科学院研究生院（遥感应用研究所）. 2003
标签：工业通用技术及设备论文; 自动化技术论文; 遥感论文; 遗传算法论文; 神经网络算法论文; 核函数论文; 遥感图像处理论文; 特征提取论文; 图像融合论文; svm算法论文; 分类数据论文; 光谱分辨率论文; 图像分辨率论文; 分类器论文; 监督学习论文; 模式识别论文; 图像处理论文; 算法论文;