收藏本站
《武汉大学》 2004年
收藏 | 手机打开
二维码
手机客户端打开本文

航空影像分割的支持向量机方法

徐芳  
【摘要】:影像解译是目前生产中急需,但尚未完全解决的摄影测量与遥感技术热点之一,也是亟待解决的一个瓶颈问题。支持向量机是国际上机器学习领域新的研究热点,是Vapnik等人根据小样本统计理论—统计学习理论发展的一种新的通用学习算法,能够较好的解决小样本学习问题。因此本文将支持向量机引入到航空影像的分类与分割中,期望探索一种新的航空影像解译的有效途径,为实现航空影像的自动解译打下一定的基础。 本文的主要研究内容包括以下几个方面:航空影像纹理分类与影像分割的支持向量机方法,遗传模糊-C均值的支持向量机样本预选取方法,最小二乘支持向量机及其稀疏性在航空影像分割中的应用,支持向量机与其它方法用于航空影像分类与分割的优劣比较。 (1) 提出将支持向量机用于航空影像的纹理分类与影像分割中,在对多种线性不可分的特征进行分类时,用SVM方法得到了较好的分割与分类结果。 研究了支持向量机参数(核函数、惩罚因子C)和影像特征维数对航空影像分割与分类的影响。SVM中核函数的选择对航空影像纹理的正确分类没有太大的影响,选择不同核函数所对应的最高分类正确率相差不多;但不同的核函数对航空影像分割的影响较大;航空影像纹理分类和分割对常数C敏感;可采用cross-validation方法确定惩罚因子C的初值,调整此初值,达到最好的分割结果。在选择特征时,应尽量多选择特征以得到好的分割与分类结果。 鉴于航空影像的复杂性,决策函数的较小变化会使超平面附近的样本类别发生变化,因而提出了保留支持值α_i=C对应的样本,来保证分割的正确率。 提出了两级金字塔影像上的决策树支持向量机方法,解决航空影像中多类地物的分割问题。 (2) 支持向量机的研究热点之一是对其训练算法的研究,训练学习过程中需要计算和存储的数据大小与训练样本数的平方相关,因此随着样本数目的增多,所需要的内存也就增大。本文提出遗传模糊-C均值的样本预选取方法,保留了最优分类超平面附近的样本点,去除远处样本点,减小训练样本集,从而减少了内存的开销。 对不同的样本集,样本集减小比例略有不同,但样本集都是可以减小的,只要减少后的样本集进行SVM训练的迭代次数和SV个数变化不大,决策函数就变化不大,就可以通过减小样本集,减少内存的开销。同时,通过减小样本集,使SV所占比例提高,也使优化学习过程更有效的集中在SV的优化上。 (3) 支持向量机中惩罚因子C对分类与分割的精度有很大的影响,而C是由人确定的,与人的经验有关。最小二乘支持向量机避免了C值的选择问题,本文用最小二乘支持向量机分割航空影像,其结果比经典方法略差。 提出用LS-SVM的稀疏化处理方法分割航空影像,稀疏化后的分割结果与未作稀疏化处理的分割 结果相差较小,因而,可根据最小二乘支持向量机的稀疏性简化决策函数,提高测试速度。 (4)神经网络是近年来广泛应用的一种方法,因其具有并行处理、自学习和高容错性,得到了众 多学者的青睐。本文在使用相同的样本和特征的情况下,利用支持向量机和神经网络进行分类和分 害lJ,结果表明支持向量机方法好于神经网络方法。原因在于神经网络完全依赖初始权值,而初始权 值的确定还没有一个稳健的方法,支持向量机方法依赖于惩罚因子(常数)C值和核函数的选择, 结果也不够稳健,其对C的依赖性略大于核函数,但在同一核函数条件下凭经验可在有限次数内找 到最优C值。 模糊一C均值方法是一种常用的分割方法,但是,由于本文试验中的影像特征是线性不可分的, 即使采用了监督方法,FCM也无法准确将每一像素正确归入它应在的类别。因而,无论是监督的FCM 方法还是非监督的FCM方法,其对航空影像的分割都比支持向量机方法差。
【学位授予单位】:武汉大学
【学位级别】:博士
【学位授予年份】:2004
【分类号】:P231

【相似文献】
中国期刊全文数据库 前10条
1 肖翔;;支持向量机在变压器故障诊断中的应用[J];科技资讯;2011年15期
2 梁爽;张立坡;;熵权核函数支持向量机[J];科技致富向导;2011年20期
3 吕琦;;基于SVM的股票时间序列的预测研究[J];吉林工程技术师范学院学报;2011年07期
4 王慧勤;雷刚;;基于LIBSVM的风速预测方法研究[J];科学技术与工程;2011年22期
5 贾志先;;基于支持向量机的空白试卷识别方法[J];山西大学学报(自然科学版);2011年03期
6 赵亚楠;李钢虎;曾渊;;基于最小均方无失真响应和支持向量机的被动声纳目标识别[J];声学技术;2011年03期
7 郭金玲;樊东燕;;基于SVM的山西省旅游需求预测与分析[J];电脑开发与应用;2011年09期
8 李国凤;;基于支持向量机的上市公司财务危机预警研究[J];科技信息;2011年22期
9 樊高峰;张勇;柳苗;毛燕军;;基于支持向量机的干旱预测研究[J];中国农业气象;2011年03期
10 王喜宾;张小平;王翰虎;孙兴;;基于支持向量机的农业科技项目分类研究[J];贵州大学学报(自然科学版);2011年03期
中国重要会议论文全文数据库 前10条
1 林杰华;张斌;李冬森;宋华茂;余志强;王浩;;支持向量机在电力客户信用评级中的应用[A];全国第21届计算机技术与应用学术会议(CACIS·2010)暨全国第2届安全关键技术与应用学术会议论文集[C];2010年
2 蒋铁军;张怀强;李积源;;多变量系统预测的支持向量机方法研究[A];管理科学与系统科学研究新进展——第7届全国青年管理科学与系统科学学术会议论文集[C];2003年
3 黄淑云;孙兴玉;梁汝萍;邱建丁;;基于小波支持向量机预测蛋白质亚细胞定位研究[A];第十一届全国计算(机)化学学术会议论文摘要集[C];2011年
4 谢湘;匡镜明;;支持向量机在语音识别中的应用研究[A];现代通信理论与信号处理进展——2003年通信理论与信号处理年会论文集[C];2003年
5 涂冬成;薛龙;刘木华;赵进辉;沈杰;吁芳;;基于支持向量机的鹅肉肉色客观评定研究[A];中国农业工程学会电气信息与自动化专业委员会、中国电机工程学会农村电气化分会科技与教育专委会2010年学术年会论文摘要[C];2010年
6 杨凌;刘玉树;;基于支持向量机的坦克识别算法[A];第三届全国数字成像技术及相关材料发展与应用学术研讨会论文摘要集[C];2004年
7 师旭超;巴松涛;;基于支持向量机方法的深基坑变形预测[A];科技、工程与经济社会协调发展——河南省第四届青年学术年会论文集(上册)[C];2004年
8 张军;;支持向量机方法在地下水位干扰排除中的初步应用[A];2007年地震流体学术研讨会论文摘要集[C];2007年
9 许建生;盛立东;;基于改进的支持向量机和BP神经网络的识别算法[A];第八届全国汉字识别学术会议论文集[C];2002年
10 荣海娜;张葛祥;张翠芳;;基于支持向量机的非线性系统辨识方法[A];中国自动化学会、中国仪器仪表学会2004年西南三省一市自动化与仪器仪表学术年会论文集[C];2004年
中国重要报纸全文数据库 前10条
1 ;渗透着的一体机[N];科技日报;2002年
2 课题主持人 李心丹 课题协调人 上海证券交易所 施东晖 傅浩 课题研究员 宋素荣 查晓磊 宾红辉 张许宏 郭静静 黄隽 南京大学工程管理学院;内幕交易与市场操纵的行为动机与判别监管研究[N];中国证券报;2007年
3 李水根;计算机详解配伍与药效关系[N];健康报;2005年
4 清华大学 苏光大;非接触式人脸识别技术[N];计算机世界;2006年
5 YMG记者 李仁 通讯员 曲华明 孙运智;我市九项目进入省“盘子”[N];烟台日报;2010年
6 张晓清;怎样做个DV影视制片人[N];中国电脑教育报;2002年
7 上海大学理学院教授、副院长 陆文聪;酷爱化学 孜孜以求[N];中国化工报;2006年
8 ;选择合适的数据挖掘算法[N];计算机世界;2007年
9 周颖;王米渠与中医心理学[N];中国中医药报;2006年
10 记者 耿挺;蛋白质功能算出来[N];上海科技报;2007年
中国博士学位论文全文数据库 前10条
1 徐芳;航空影像分割的支持向量机方法[D];武汉大学;2004年
2 杜小芳;基于CPFR的农产品采购模型研究[D];华中科技大学;2005年
3 刘育明;动态过程数据的多变量统计监控方法研究[D];浙江大学;2006年
4 栾锋;支持向量机(SVM)和径向基神经网络(RBFNN)方法在化学、环境化学和药物化学中的应用研究[D];兰州大学;2006年
5 孙薇;市场条件下抽水蓄能电站效益综合评价及运营模式研究[D];华北电力大学(河北);2007年
6 常群;支持向量机的核方法及其模型选择[D];哈尔滨工业大学;2007年
7 朱燕飞;锌钡白回转窑煅烧过程智能建模研究[D];华南理工大学;2005年
8 田英杰;支持向量回归机及其应用研究[D];中国农业大学;2005年
9 燕忠;基于蚁群优化算法的若干问题的研究[D];东南大学;2005年
10 任东;基于支持向量机的植物病害识别研究[D];吉林大学;2007年
中国硕士学位论文全文数据库 前10条
1 刘艳伟;支持向量机方法在感潮河段洪峰水位预报中的应用[D];浙江大学;2010年
2 杨镭;支持向量机算法设计及在高分辨雷达目标识别中的应用[D];国防科学技术大学;2010年
3 童振;基于支持向量机的电解液成分预测[D];东北大学;2008年
4 聂小芳;模糊粗糙集与支持向量机在煤与瓦斯突出预测中的应用研究[D];辽宁工程技术大学;2009年
5 鄢常亮;基于支持向量机的高炉向凉向热炉况预测研究[D];内蒙古科技大学;2010年
6 韩叙东;基于支持向量机的水电故障分类器的设计与实现[D];东北大学;2008年
7 冯杰;慢时变对象的支持向量机建模与在线校正方法研究[D];东北大学;2009年
8 朱耿峰;支持向量机在冲击地压预测模型中的应用研究[D];山东科技大学;2010年
9 王奇安;基于广泛内核的CVM算法研究及参数C的选择[D];南京航空航天大学;2009年
10 张永新;基于支持向量机和遗传算法相结合的模拟电路故障诊断方法研究[D];东北大学;2009年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026