面向对象的高分辨率遥感影像特征选择与分类研究

摘要

近些年来，遥感技术持续发展，卫星传感器的空间分辨率也在不断提高，为研究者们提供了更多具有丰富而清晰地表信息的影像数据，也为土地覆盖分析提供更多便利。与此同时，为了克服传统基于像元的图像分析模式所带来的“椒盐现象”、“同物异谱”与“异物同谱”等问题，一种面向对象的影像分析(OBIA，Object Based Image Analysis)技术得以出现并发展。此处的对象指的是经由影像分割过程得到的、均匀度较高的多个像素连通区域。相较于像素，影像对象具备更丰富的特征，除了常见的光谱特征，还包括形状特征，如:长宽比、面积、形状指数等，以及纹理特征，如:同质性、异质性、对比度、角二阶矩等。影像特征的多样化为图像分析带来便利，但同时也可能因为特征数目过多而造成“维数灾难”并降低影像分类精度，因此，有必要针对面向对象的高分辨率遥感影像特征进行择优筛选。另外，当前影像分类中常用的监督模式中训练样本集的选取对人工经验要求较高，且易受到人为主观因素的影响，最终影响分类算法的性能，因此，进行无监督或半监督分类研究具有一定的意义。当前对多分类器集成的研究主要以同种分类器集成为主，为了进一步促进学习算法之间的优势互补，有必要开展不同种类分类器集成的相关研究。 在当前遥感影像处理领域，无论是特征选择还是影像分类，都离不开相关机器学习算法的参与，例如，遗传算法和禁忌搜索算法均属于搜索优化类方法，常被应用于特征选择中，支持向量机是一种非线性的监督学习模型，对于解决分类问题有独特优势。因此，首先介绍当前比较经典的若干种机器学习方法的理论基础与应用现状，并剖析其在特征选择或分类领域所存在的问题。 其次，基于禁忌搜索算法对遗传算法进行改进得到一种新的特征选择方法，并将其用于高分辨率遥感影像的特征选择。本文以遗传算法为主要理论基础，针对其易早熟或局部收敛的特点，提出一种遗传算法与禁忌搜索算法的混合策略，将禁忌搜索算法独有的记忆功能引入到遗传算法搜索过程中，以提高遗传算法的爬山能力并获取最优特征组合。最后。通过实验证明该方法可以有效改进遗传算法的缺点。 然后，结合半监督思想、模糊C均值聚类算法以及支持向量机分类算法，提出了一种面向对象的高分辨率遥感影像自优化迭代分类方法。为克服监督分类中人工选取训练样本耗费时间长、样本代表性不高等缺点，将半监督学习机制引入模糊C均值聚类算法中，仅基于少数标记样本即可得到代表性强、可靠性高的训练样本集，从而提高分类处理效率;然后利用支持向量机作为分类方法的核心，设计了一种迭代自优化分类方法。最终，利用分类实验证明了以上方法对于提高分类精度有积极作用。 最后，通过自适应计算各个子分类器的权重，对层叠泛化模型进行改进得到一种新的集成分类方法。虽然对单一分类算法的优化研究能够在一定程度上提高分类器的分类精度，但诸多分类器运行机制不同，在分类过程中也各有优点与缺陷并存，因此，对多个分类器进行集成以促成分类器之间优势互补是提高分类精度的一个有效途径。本文以层叠泛化模型为集成框架的基础，首先基于各子分类器的分类精度对它们分别评定权重，然后以此为准则引导最终的集成分类过程，从而得到改进的自适应性更强的层叠泛化模型集成分类框架。为了对该方法的有效性与可行性进行验证，利用支持向量机、BP神经网络、朴素贝叶斯、C4.5决策树以及K最近邻算法训练得到基分类器，使用多元线性回归模型作为元分类器构建得到权重自适应的层叠泛化模型集成分类器，并通过实验分析验证集成分类器的效果与分类精度。

目录

声明

摘要

第1章绪论

1．1研究背景与意义

1．2国内外研究现状综述

1．2．1遥感影像特征选择研究现状

1．2．2高分辨率遥感影像面向对象分类方法研究现状

1．2．3多分类器集成技术研究现状

1．3研究目标、研究内容与技术路线

1．3．1研究目标

1．3．2研究内容

1．3．3技术路线

1．4章节安排

第2章相关理论与方法分析

2．1特征选择相关理论

2．1．1遗传算法

2．1．2禁忌搜索算法

2．2分类相关理论

2．2．1模糊C均值聚类算法

2．2．2支持向量机

2．2．3 BP神经网络

2．2．4 C4．5决策树分类器

2．2．5 KNN算法

2．2．6朴素贝叶斯

2．2．7多元线性回归模型

2．3本章小结

第3章基于遗传算法与禁忌搜索算法的特征选择

3．1对象特征构建

3．1．1光谱特征

3．1．2形状特征

3．1．3纹理特征

3．2利用禁忌搜索改进遗传算法的特征选择方法

3．2．1基于遗传算法的特征选择

3．2．2基于禁忌搜索的特征选择

3．2．3特征评价函数

3．2．4遗传算法与禁忌搜索相结合的特征选择方法

3．3算法实现过程

3．4实验与分析

3．4．1实验数据与准备

3．4．2实验内容与结果

3．4．3精度分析与评价

3．5本章小结

第4章基于模糊C均值与支持向量机的半监督分类

4．1半监督的FCM训练样本获取方法

4．2半监督的迭代自优化支持向量机分类

4．3算法实现过程

4．4实验与分析

4．4．1实验数据与准备

4．4．2实验内容与结果

4．4．3精度分析与评价

4．5本章小结

第5章基于层叠泛化模型的多分类器集成分类

5．1层叠泛化模型

5．2权重自适应的层叠泛化集成分类

5．3实验与分析

5．3．1实验内容与结果

5．3．2精度分析与评价

5．4本章小结

第6章总结与展望

6．1研究内容总结

6．2本文创新点

6．3研究展望

参考文献

攻读博士学位期间发表的科研成果目录

致谢