网站首页  词典首页

请输入您要查询的论文:

 

标题 遥感图像分类方法的研究
范文

    摘要:光摇杆光谱图像属于是实现地物精确分类发展的一种重要技术,但是,其在发展过程中同样面临挑战。高光谱遥感技术图像分类之中面对的主要问题是如何才能够更加行之有效的处理高的光谱维数以及小的样本数。现阶段,主要技术方法是通过降维的方式解决此类问题。本研究则从新的角度出发,他就分类器集成的高光谱遥感图像分类方法,希望能够对未来该项技术研究提供借鉴和帮助。

    关键词:遥感;高光谱;分类器集成;波段分组

    近些年以来,有关高光谱技术的研究成果取得了巨大进步,并已经在众多领域之中被广泛应用。高光谱遥感属于是对传统光学成像技术以及细分光谱技术的一种重要结合。教育空间特征成像为基础,针对目标下的所有空间像元经过色散形成众多的窄波段,以便完成光谱覆盖。

    除此之外,Hughes现象表现出了高水平的光谱维数以及小样本数之间的矛盾,这也是高光谱遥感问题之中的关键点。本研究则是针对此类问题开展的深度分析。

    1.基分类器分析

    1.1波段分组

    特征子集所具有的差异性特点直接影响基分类器所具有的差异性。因此,就提出了波胆分组方式,以此可以完成构造差异性特征子集。通过借助对相邻波段形成的信息量完成分组。通过借助这种分类方式,则能够让所有的光谱确定波段形成全新的光谱组合,所有光谱组合这种均包括了分类基本光谱的详细信息。

    通过与普通光之间对比分析,所有波段类型的波段之间形成了较高水平的相似向。定义波段彼此之间的相关程度,能够让相邻波段彼此具有较高的相似性,同时定义波段所具有的相关性程度促使使用相邻波段所具有的平均灰度差异性,则不同数据之间的信息具有多种不同的参数,可以完成对相邻波段之间的关联程度的衡量与评价。

    互信息是一种得到广泛应用的信号相关性度量,对变量的分布类型没有特殊要求,不仅能述變量间的线性相关关系,也能描述变量间的非线性相关关系。对于高光谱遥感图像,可以用各波段间的互信息来衡量它们之间的信息依赖程度,较大的互信息往往意味着较高的相关程度。

    2.实验及结果

    2.1实验数据

    实验之中选取的数据属于美国可见与红外成像光谱设备被的高光谱遥感数据。当前,已经拥有大量的研究学者对高光谱图像处理技术进行研究,为了能够有助于完成重复试验以及不同算法之间进行比较,可以对光谱图大小、原始波段、移除水吸收波段等进行设置。图像之中的空间分辨率可以达到20m。光谱分辨率则低于10nm。

    在确定实验数据的过程中需要了解不同类别的样本数是否小于波段数,一些文献之中只对一部分类别进行分析,通过对样本之中随机选取一小部分作为训练样本,因此,剩下另外的一部分将代表的是测试样本。

    2.2实验步骤

    需应当明确实验目的。对本研究中算法分类性能加以验证。此外,结合本研究算法与当前阶段文献提出的算法加以对比分析。通过对比,计算ML分类算法在整个波段范围的分类精度,并通过再计算的方式,在不同波段子集之中确定最优分类精度。

    由于分类精度检验属于是这项技术之中的重要内容,精度检验可以提升对分类器方面的评价水平,同时也能够针对分类结果等完成最终评价。事实上,针对分类精度采取的精度分析属于非常困难的事情。当前采用的主要方法是:

    建立大小是KxK的混淆矩阵。其中ai-j代表的是分类结果之中的第j组数据被分类在第i类数据点数目,随后,通过借助矩阵可以完成对总体分类精度方面的测算。

    实验基本步骤:第一,采取遥感图像的有效预处理。剔除掉吸收波段以及噪声波段;第二,对波段采取有效分组, 明确训练基分类器之中全部特征子集;第三,对所有特征子集采取ML分类器训练,并获取基分类器;第四,计算机分类器之中形成的精度与基类彼此之间具有相关性,确保只能够保留两组负相关的基分类器,排除剩余基分类器。第五,首先选取基分类器,并通过家住多数投票方法完成合成,最终可以获得集成分类器以及分类结果。第六,采取分类精度研究与测算。

    2.3实验结果分析

    将本研究中的方法应用在高光谱遥感图像之中,可以获取较好的分类结果,同时并未能够集成的ML将与之进行对比。通过本文算法可以证明集成方法能够极大水平上提升分类精度以及分类效果。同时,结合本研究算法以及当前阶段,不同形式的高级以及复杂结构的分类算法之间进行比较,确定分类精度以及Kappa系数情况。

    研究方法尽管能够很好解决问题,但是仍有不足,受到算法复杂特征影响,K值 以及波段分组等的确定都需要考虑高光谱遥感图像的数据量分析才能够最终完成。

    结束语:综上所述,通过采集集成方法有效调节高光谱遥感图像之中的分类问题,并解决维数以及小样本数彼此的问题,结合波段具有相似性的忒单,形成特征子集,并在特征子集中训练ML分类器。最后,则通过借助简化的多数投票法完成合成,最终将能够得到分类结果。实际结果显示出,集成方法能够被很好的应用到高光谱遥感图像分类方法之中,这样就能够有效化解小样本数之中的缺陷问题。

    参考文献

    [1]赵理君,唐娉.典型遥感数据分类方法的适用性分析——以遥感图像场景分类为例[J].遥感学报,2016,(02):157-171.

    [2]樊利恒,吕俊伟,邓江生.基于分类器集成的高光谱遥感图像分类方法[J].光学学报,2014,(09):99-109.

    [3]董杰,沈国杰.一种基于模糊关联分类的遥感图像分类方法[J].计算机研究与发展,2012,(07):1500-1506.

    [4]白穆,刘慧平,乔瑜,王晓东.高分辨率遥感图像分类方法在LUCC中的研究进展[J].国土资源遥感,2010,(01):19-23.

    作者简介:张琪曼,出生年月1991年8月4日,民族:汉族,籍贯:甘肃庆阳,学历:本科,职称:助教,毕业院校:西安科技大学测绘科学与技术学院,毕业专业:测绘工程,研究方向:测绘与地理信息,工作单位:兰州资源环境职业技术学院。

随便看

 

科学优质学术资源、百科知识分享平台,免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。

 

Copyright © 2004-2023 puapp.net All Rights Reserved
更新时间:2025/3/10 13:02:47