论文题目: 遥感影像数据挖掘技术研究
论文类型: 博士论文
论文专业: 计算机软件与理论
作者: 王旭红
导师: 周明全
关键词: 数据挖掘,空间数据挖掘,图像挖掘,数据挖掘,遥感影像,空间数据库,遥感图像分类
文献来源: 西北大学
发表年度: 2005
论文摘要: 随着传感器技术的发展,遥感影像的数量以飞快地速度增长。人们收集和存储影像的能力已经大大超过分析和从影像上获取信息的能力。这一切促使我们发展图像挖掘技术,它需各学科如图像处理、数据库、信息提取、机器学习和软件设计等同仁共同付出努力。图像挖掘旨在发现隐藏在数据库中含蓄的不明确的知识、影像数据的关系或其它模式,是数据挖掘的一个重要分支。 遥感图像数据挖掘(remote sensing image mining,(ReSIM))技术不仅是图像挖掘技术在遥感领域的应用,也是空间数据挖掘技术的一个重要拓展分支。它既要应用图像挖掘的一般性的理论和技术,又要结合遥感数据和空间数据的特殊性如独特的空间位置信息、复杂的空间关系和空间尺度,是空间数据挖掘与图像挖掘交叉的研究学科。其中,分类和预测方法是遥感图像分析和信息挖掘的重要研究内容,也是研究的重点。 本文围绕遥感影像信息自动化与智能化的获取和利用这一线索,对遥感影像数据挖掘理论和技术进行了研究,主要的研究成果和创新点如下: (1)研究了功能驱动和信息驱动两种图像挖掘模式,提出了信息驱动的遥感影像挖掘原型系统结构图和流程图,并指出系统应具备的功能和必要的工具。 (2)实现了最常用的两种分类器一监督分类(bayes)和非监督分类(Isodata)算法,并提出了bayes算法改良方法;实现了灰度共生矩阵纹理表示法;研究了图像中对象的空间结构和空间关系。 (3)在研究几种数据挖掘理论如模糊分类法、证据理论、人工神经网络(BP算法和SOM网络)、支持向量机、关联规则、决策树算法基础上,提出了基于这几种理论的遥感影像挖掘方法。 (4)上述的数据挖掘方法都是针对像元的图像分析,所能够得到的信息是极其有限的,不能够反映像邻域间的上下文信息(contextual information)。提出了“面向对象”图像挖掘方法,给出了该方法的流程和算法,实现了该流程和算法。 (5)在研究知识——颜色、纹理和边界等语义特征、混合光谱特征、高维数据的特征、GIS数据、地学专家知识等表示方法的基础上,提出了GIS数据辅助遥感图像数据挖掘的两种途径——以逻辑波段形式直接参与分类和融于空间数据库中系统化应用,并给出应用模型或系统框架结构;指出挖掘查询语言应为类似SQL的适用于地理信息挖掘的输入请求语言——GMQL(Geo-Mining Query Language);提出了知识库的表示方法;实现了基于规则化知识库遥感图像挖掘方法;实现了基于数据降维的高维数据特征提取算法。 (6)在分析Web环境下数据挖掘现状的基础上,提出了Web环境下图像挖掘系统框架图;进一步提出了Web环境下遥感影像数据挖掘系统框架图。
论文目录:
第一章 概述
1．1 研究背景
1．2 数据挖掘与空间数据挖掘
1．2．1 数据挖掘
1．2．1．1 数据挖掘的定义
1．2．1．2 数据挖掘的研究现状
1．2．2 空间数据挖掘
1．2．2．1 数据挖掘的定义
1．2．2．2 空间数据挖掘的研究现状
1．3 空间数据挖掘与遥感影像数据挖掘
1．3．1 关于空间数据的有关知识
1．3．1．1 地球空间信息学
1．3．1．2 数字地球
1．3．2 地理信息技术与遥感
1．3．2．1 地理信息技术
1．3．2．2 遥感
1．3．2．3 地理信息技术与遥感的集成
1．4 图像挖掘与遥感影像数据挖掘
1．4．1 图像数据挖掘
1．4．2 图像数据挖掘与知识发现
1．4．3 遥感影像数据挖掘
1．4．4 图像挖掘与其它相关学科的关系
1．5 空间数据库与遥感影像数据挖掘
1．6 遥感数据与遥感信息
1．6．1 遥感影像数据
1．6．2 遥感影像信息
1．6．3 遥感信息的复杂性和不确定性
1．6．4 遥感数据与信息间的知识间隙
1．7 遥感影像信息提取与挖掘发展阶段
1．8 论文研究内容和创新点
1．8．1 本文的主要研究工作包括
1．8．2 创新点
1．9 论文结构和内容组织
第二章 遥感影像数据挖掘的框架
2．1 遥感影像数据挖掘的目标
2．2．1 研究目标
2．2．2 挖掘过程
2．2 遥感影像数据挖掘的框架结构
2．2．1 功能驱动的影像挖掘系统框架
2．2．2 信息驱动的影像挖掘系统框架
2．3 遥感影像数据挖掘的技术
2．3．1 目标识别
2．3．2 影像检索
2．3．3 影像索引
2．3．4 影像分类和聚类
2．3．5 关联规则挖掘
2．3．6 神经网络
2．3．7 空间分析方法
2．3．8 空间统计学
2．3．9 Rough集方法
2．3．10 模糊集理论
2．3．11 决策树
2．3．12 证据理论
2．3．13 遗传算法
2．3．14 可视化技术
2．4 遥感图像挖掘系统的设计
2．4．1 系统功能的设计
2．4．2 开发工具的设计
2．4．3 影像的描述
2．4．4 依据的标准
2．4．5 系统的原型结构
2．4．6 遥感影像信息挖掘系统的流程图
2．5 遥感影像数据挖掘的未来的发展方向
2．6 本章小结
第三章 基于传统统计模式识别方法的数据挖掘技术
3．1 常规统计分析量
3．1．1 基本统计分析量
3．1．2 图像的直方图
3．1．3 灰度的分布特征
3．1．4 多波段的统计特征
3．2 纹理特征
3．3 统计变换
3．4 空间结构和空间关系
3．4．1 邻域空间关联
3．4．2 目标的形状、大小和内部结构
3．4．3 目标间的空间关系
3．4．3．1 图像中对象之间的拓扑关系
3．4．3．2 图像中对象的方向关系
3．5 分类与聚类
3．5．1 聚类中的相似性度量
3．5．2 C-均值方法(C-means)
3．5．3 迭代自组织聚类(ISODATA)
3．5．4 bayes监督分类
3．5．4．1 bayes分类器
3．5．4．2 实际的应用
3．5．4．3 上下文关系的Bayes表示模型
3．5．4．4 算法的改进
3．6 本章小结
第四章 基于几种空间数据挖掘理论的遥感影像挖掘技术
4．1 模糊分类法
4．1．1 模糊分类法的概念
4．1．1．1 模糊集的基本知识
4．1．1．2 模糊分类法
4．1．2 模糊C均值(Fuzzy C-means)聚类方法
4．1．3 模糊迭代自组织数据分析算法(Fuzzy-ISODATA)
4．1．4 模糊极大似然分类算法
4．2 证据理论
4．2．1 D_S理论原理
4．2．2 D_S理论的推理模型
4．2．3 实例
4．2．4 应用推广
4．2．5 小结
4．3 神经网络
4．3．1 人工神经网络的一般原理
4．3．2 BPNN
4．3．2．1 BPNN的原理
4．3．2．2 算法分析
4．3．2．3 BP算法存在的问题
4．3．2．4 BP算法的改进
4．3．2．5 BP权值调节的全局优化算法
4．3．2．5．1 模拟退火算法
4．3．2．5．2 模拟退火神经网络权值优化算法
4．3．2．5．3 遗传算法
4．3．2．5．4 基于遗传算法的神经网络权值优化模型
4．3．2．6 BP算法的应用
4．3．2．6．1 应用方法
4．3．2．6．2 GIS数据的加入
4．3．3 自组织特征映射
4．3．3．1 SOM网络
4．3．3．2 SOM网络的原理
4．3．3．3 二维自组织特征映射数学模型
4．3．3．4 SOM模型的学习过程
4．3．3．4．1 学习过程
4．3．3．4．2 最佳匹配神经元的选择
4．3．3．4．3 权系数的自组织过程
4．3．3．5 SOM模型学习的具体算法
4．3．3．6 SOM网络的分类原理
4．3．3．7 遥感图像分类步骤
4．4 支持向量机
4．4．1 支持向量机基本原理
4．4．1．1 分类超平面的结构
4．4．1．2 最优分类超平面
4．4．1．3 非线性支持矢量机:核函数替代
4．4．1．4 多值分类
4．4．2 支持向量机在遥感影像数据挖掘中的应用
4．5 关联规则挖掘
4．5．1 关联规则的基本概念
4．5．2 关联规则的一般步骤
4．5．4 关联规则的度量方法
4．5．5 关联规则经典算法——Apriori
4．5．6 FP增长算法
4．5．6．1 FP增长算法的基本思想
4．5．6．2 FP增长算法
4．5．7 空间关联规则
4．5．8 其它各种变异算法
4．5．8．1 多循环方式的挖掘算法
4．5．8．2 增量式更新算法
4．5．8．3 多层关联规则
4．5．8．4 量化属性关联规则
4．5．8．5 基于约束的关联规则
4．5．8．6 基于距离的关联规则
4．5．9 关联规则在遥感影像数据挖掘中的应用
4．5．9．1 关联规则的优势
4．5．9．2 应用的一般模型
4．5．9．3 讨论
4．6 决策树
4．6．1 判定树算法的总体框架
4．6．2 基于判定树归纳分类算法
4．6．3 树的剪裁算法
4．6．4 规则提取
4．6．5 遥感影像分类中的决策树应用
4．6．6 决策树技术的发展趋势
4．7 本章小结
第五章 面向对象的遥感影像数据挖掘技术
5．1 图像的表示
5．1．1 图像向量空间模型
5．1．2 基于MPEG-7的面向对象的图像内容描述模型
5．2 面向对象的遥感影像数据挖掘
5．2．1 多尺度分割方法(Multiresolution segmentation)
5．2．2 区域生长算法(Region Growing)
5．2．2．1 一般算法步骤
5．2．2．2 估计对象内部异构性的标准
5．3 影像对象的层次结构
5．4 影像多分辨率的层次结构
5．5 类的层次结构
5．6 类的描述
5．7 分类
5．7．1 模糊分类法
5．7．2 最临近分类法
5．7．3 挖掘中应用的分类方法-模糊最临近分类法
5．7．4 基于特征提取的分类方案
5．8 实验结果
5．9 本章小结
第六章 基于知识规则的遥感影像数据挖掘技术
6．1 知识与知识源的选择
6．1．1 知识的解释
6．1．2 知识源的选择
6．2 地学知识的表示
6．3 空间数据
6．3．1 空间数据库的组成
6．3．2 空间数据的作用
6．3．3 直接简单的应用
6．3．3．1 点二系列相关系数
6．3．3．2 地形数据的量化
6．3．3．3 应用模型
6．3．4 基于空间数据库的系统化应用
6．4 基于空间数据库的遥感图像数据挖掘
6．4．1 从空间数据库中挖掘的知识
6．4．2 系统框架结构
6．4．3 语义和特征提取
6．4．3．1 颜色特征提取
6．4．3．2 纹理特征提取
6．4．3．3 边缘特征提取
6．4．4 高维数据的特征提取
6．4．3．1 辨别分析特征提取DAFE
6．4．3．2 决策界特征提取DBFE
6．4．3．3 实际应用
6．4．3．4 基于DAFE分类实验
6．4．3．5 基于DBFE分类实验
6．4．4 混合光谱特征分析
6．4．5 图像检索
6．4．5．1 图像形状、亮度、颜色、纹理的相似性
6．4．5．2 图像属性关系图
6．4．5．3 图像数据检索的步骤
6．4．6 GIS数据特征提取
6．4．7 挖掘查询语言
6．4．8 数据挖掘功能
6．5 知识库
6．5．1 知识库的几种表示方法
6．5．1．1 决策树形式
6．5．1．2 模型化形式
6．5．2 推理机
6．6 实验
6．6．1 实验区的选择
6．6．2 建立的规则
6．6．3 实验结果
6．7 本章小结
第七章 网络环境下遥感影像数据挖掘技术
7．1 Web数据挖掘
7．1．1 Web数据挖掘是KDD应用于Web数据的扩展
7．1．2 Web数据挖掘的分类
7．1．2．1 Web内容挖掘
7．1．2．2 Web结构挖掘
7．1．2．3 Web访问信息的挖掘
7．2．1．4 三种Web数据挖掘的比较
7．2 Web数据挖掘现状
7．2．1 国外的研究现状
7．2．1．1 Web内容挖掘
7．2．1．2 Web结构挖掘
7．2．1．3 Web访问信息的挖掘
7．2．2 国内的研究现状
7．3 Web图像挖掘的相关理论与技术
7．3．1 数据挖掘
7．3．2 WEB上的信息检索
7．3．3 基于内容的图像检索
7．3．4 MPEG4对基于内容的视频检索的影响
7．4 Web图像数据挖掘
7．4．1 定义
7．4．2 系统结构
7．5 遥感影像网络挖掘的系统框架
7．6 遥感影像网络挖掘今后的研究方向
7．7 本章小结
第八章 总结与展望
参考文献
攻读博士学位期间主要研究成果
致谢
发布时间: 2005-11-18
参考文献
- [1].基于特征融合的遥感影像典型线状目标提取技术研究[D]. 闫冬梅.中国科学院研究生院（遥感应用研究所）2003
- [2].遥感影像群判读技术的试验研究[D]. 刘亚岚.中国科学院研究生院（遥感应用研究所）2004
- [3].基于内容的遥感影像库检索关键技术研究[D]. 程起敏.中国科学院研究生院（遥感应用研究所）2004
- [4].全色波段高空间分辨遥感影像特定目标变化检测技术研究[D]. 马建伟.中国科学院研究生院（遥感应用研究所）2006
- [5].云环境下遥感影像内容安全研究[D]. 熊礼治.武汉大学2016
- [6].遥感影像信息量及质量度量模型的研究[D]. 王占宏.武汉大学2004
- [7].稀少控制点下遥感影像纠正模型研究[D]. 宋伟东.辽宁工程技术大学2005
- [8].基于遥感影像的土地利用变化探测研究[D]. EdwardMatthewOseiJnr（爱德华马太奥赛）.吉林大学2005
- [9].基于视觉特征的高分辨率光学遥感影像目标识别与提取技术研究[D]. 柳稼航.上海交通大学2011
- [10].遥感影像混合像元分解新方法及应用研究[D]. 许菡.首都师范大学2013