高光谱影像集成学习分类及后处理技术研究

论文摘要

高光谱遥感影像具有较高的光谱分辨率,为人们更高效地识别地物提供了一种有效手段。但是其庞大的数据量以及较高的数据维使得传统的遥感影像分类技术对其不再适用,需要研究适合于高光谱影像的分类方法。另外随着GIS等技术的不断发展,分类图的应用需求不断扩大,所以有必要进行噪声去除、矢量化和专题地图制作等分类图后处理技术的研究。论文结合高光谱影像和分类图的特点,重点研究了集成学习技术和数学形态学理论,并分别将它们应用到分类和后处理中,取得了一些成果,具体包括以下几个方面:(1)研究了高光谱影像集成学习分类方法。构建了分类回归树(CART)弱分类器,深入研究了Real AdaBoost分类方法,基于加权投票法的Bagging分类方法以及PSO选择性集成学习分类方法。实验表明在分类精度、训练和分类速度方面上述三种集成学习分类算法均优于传统CART分类方法;Real AdaBoost优于改进的Bagging算法;而PSO选择性集成学习方法最优。(2)针对分类图噪声特点,重点研究了一种基于二值形态学的分类图噪声处理方法。采用分类图分层方法获取各类别二值图像,将单元结构元素作为形态学结构元素,以二值形态学为基础,利用改进的膨胀、腐蚀运算,解决分类图噪声问题。实验表明,论文采用的噪声处理算法更加接近实地地物类别分布情况,去噪性能较传统去噪方法有大幅度提高。(3)采用分类图去噪、分层、边缘提取、细化和矢量化五个步骤实现了基于二值图像的分类图矢量化。引入了Canny算子进行分类图边缘提取,采用击中击不中变换算法用于细化分类图,最后依次利用逐点跟踪法和曲线抽稀法完成分类图矢量化处理。实验表明该矢量化方法比利用ENVI矢量化模块进行分类图矢量化效果好。(4)详细分析了地物要素特征,重点研究了分类重编码技术,从而优化了类别,按照专题地图制作要求,结合分类图特点,利用ENVI专题地图制作模块完成了分类图专题地图制作。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.2 研究现状
• 1.2.1 集成学习分类技术
• 1.2.2 后处理技术
• 1.3 论文研究内容
• 1.4 论文组织结构
• 第二章 集成学习分类应用潜力分析
• 2.1 集成学习分类概述
• 2.2 集成学习分类的优势
• 2.3 差异度与精确度对分类精度的影响
• 2.4 本章小结
• 第三章 基于集成学习的高光谱影像分类技术
• 3.1 构建弱分类器
• 3.2 Boosting 分类技术
• 3.2.1 Boosting 的发展
• 3.2.2 Boosting 的变种
• 3.2.3 Real AdaBoost 算法
• 3.3 Bagging 分类技术
• 3.3.1 Bagging 算法流程
• 3.3.2 Bagging 理论分析
• 3.4 选择性集成分类技术
• 3.4.1 选择性集成理论基础
• 3.4.2 PSO Selective Ensemble
• 3.5 高光谱影像分类实验
• 3.5.1 实验数据
• 3.5.2 实验结果
• 3.5.3 分析与比较
• 3.6 本章小结
• 第四章 基于数学形态学的分类图噪声处理技术
• 4.1 分类图噪声特点分析
• 4.2 传统噪声处理技术简述
• 4.2.1 均匀滤波
• 4.2.2 中值滤波
• 4.2.3 维纳滤波
• 4.2.4 空间域低通滤波
• 4.2.5 多幅图像平均法
• 4.3 基于二值形态学的分类图噪声处理技术
• 4.3.1 二值形态学
• 4.3.2 噪声去除
• 4.4 分类图去噪实验
• 4.4.1 实验结果
• 4.4.2 分析与比较
• 4.5 本章小结
• 第五章 高光谱影像分类图矢量化及专题地图制作技术
• 5.1 分类图矢量化技术
• 5.1.1 边缘提取算法
• 5.1.2 基于击中击不中变换的细化算法
• 5.1.3 基于二值图像的矢量化算法
• 5.2 基于分类图的专题地图制作技术
• 5.2.1 分类图要素特征分析
• 5.2.2 分类重编码技术
• 5.2.3 制作专题图
• 5.3 相关实验及分析
• 5.3.1 边缘提取实验
• 5.3.2 矢量化实验
• 5.3.3 专题图制作实验
• 5.4 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 进一步研究的方向
• 参考文献
• 作者简历 攻读硕士学位期间完成的主要工作
• 一、 作者简历
• 二、 公开发表的学术论文
• 三、 参与的主要科研项目
• 致谢