收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于支持向量机的高分辨率遥感影像的目标检测研究

梅建新  
【摘要】:高分辨率遥感对地观测技术是关系剑国家安全平和可持续性发展的重点技术,随着遥感影像质量呈现“三高”的发展趋势(即高分辨率、高光谱和多时相的数据),世界主要强国都开始注重研究高分辨率影像的信息处理技术。我国在“十五”863高科技规划中就明确提出要“……发展高分辨率多维空间信息获取技术,研制高分辨率机载光学、微波对地观测数据获取系统。……解决遥感数据处理与分析作业中高精度、高效率的地物分类、变化检测等关键技术。”作为其中的一个子课题,针对高分辨率遥感影像的目标检测无论是在军事还是民用领域都有着广泛的应用前景。 就目前的遥感目标检测方法和系统而言,其性能无论是在效果和效率上都还不能达到令人满意的程度。其面临的主要问题有:1) 系统的处理对象发生了改变,传统的目标检测系统受遥感观测技术的局限,其应用的数据主要是高光谱影像。随着影像分辨率的增加,影像的特征由光谱维向空间维变化,特征维数也大大升高。面临新的影像特性,需要新的检测方法与之适应;2) 随着影像分辨率的提高,影像数据量也爆炸式增长,需要新的方法来解决目标检测的效率问题;3) 目标检测作为一个模式识别问题,其理论上也有较大的发展,如何针对遥感目标检测问题,充分融合这些新的理论和方法也是值得研究的问题。 针对以上问题,本文主要进行以下几个方面的工作: 首先,从理论角度着手,将一类新的分类方法-支持向量机(SVMs)引入到高分辨率遥感影像的目标检测应用当中。通常,目标检测问题都是当作二值分类问题来解决,传统的模式分类方法以经验风险最小化作为归纳原则,当学习样本趋于无穷大时,其性能才能保证最优。对于高分辨率遥感影像中目标检测问题而言,目标类样本数量少是不可回避的事实,因此应用传统分类方法往往难以达到理想的检测效果。而新的统计学习理论在理论上探讨了小样本条件下的机器学习问题,提出了利用结构风险最小化原则作为控制分类器推广能力的准则。支持向量机方法这是在这一理论指导下建立起来的通用的学习方法,它在小样本量、高特征维的学习问题中表现出了强大的优势。 其次,提出了基于样本外观信息的学习方法进行目标检测,该方法具备自动确立目标参数模型、易扩展等优点。从这一方法模型出发,本文将支持向量机方法应用于基于像素序列特征的目标检测中,取得了较好的效果。结合试验,这部分内容主要讨论了以下问题:1) 基于像素特征的检测中样本的预处理方法;2) 对常见的三类核函数在目标检测应用中的检测效果进行了试验对比,并给出了最优参数选择的指导意见;3) 针对样本学习过程中目标和非目标类样本的不对称现象,提出了针对不同类别样本施加不同惩罚因子的偏移算法,并给出了模拟数值的试验结果;4) 提出了应用模板屏蔽的方式来对多方向目标进行检测,在检测效果和效率上取得了较好的结果。 第三,将小波分析方法引入到遥感影像目标的表征过程中。由于不同影像质量使得影像外观上会出现较大差异,在基丁像素特征的检测方法下,要经过大量的预处理才能达到较好的检测效果。论文从遥感影像中人造目标的特点出发,提出了应用影像目标边缘特征作为检测的基本输入特征。通过引入Haar小波分解方法,可以快速得到目标在多尺度、多 方向上的边缘特征。通过小波系数的选择、融合和量化过程,可以有效克服噪声影响从而 提高检测的效率。同时,由于输入特征的维数有所降低,使得检测方法在效率上可以进一 步提高。 第四,提出了学习样本选择的自举算法。遥感影像目标检测是一个典型的小样本学习 问题,特别是对于目标样本,由于采集条件的限制和模式比较单一,能够提供学习的样本 比较少。相对而言,背景的模式比较复杂,通过随机采样的方式获取有限的样本,往往使 得背景类样本不具备典型性,从而使得检测结果的虚警率偏高。本文从学习理论的基本模 型出发,讨论了学习的有效性和学习样本的选取原则,并结合文中的目标检测试验,提出 了自举算法用于样本的选取。自举算法将当前分类器的检测结果作为新样本选取的指导原 则,从而使得样本的选取能够在主动学习的过程中自动进行,通过该算法得到的非目标样 本更具典型性,有效性也更高。试验表明,在自举算法的支持下,少量增加非目标样本的 数量,即使得检测的虚警率数十倍的降低。 第五,在目标检测应用中引入单类支持向量机方法(one一class SVMs)。考虑到飞机目 标检测中目标模式的单一性和背景的复杂性,本文将one一class SVMs方法引入到目标检测 过程中。借助普通支持向量机方法的基本思想,one一class SvMs将单类学习样本在高维特 征空间中压缩到尽量小的范围内,从而使得决策面所包含的区域尽量接近学习样本在特征 空间中的分布。试验表明:基于one一class SVMs的检测方法可以将检测的虚警率控制在很 低的水平,同时不需要非目标类的学习样本。文章还对one一class SVMs方法的应用范围和 系统参数的选择给出了指导性的意见。 最后,文章针对大幅遥感影像日标检测提出了快速高效的算法。提高效率是遥感目标 检测中的重要课题,由于大幅遥感影像


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 何德平;肖勇;肖兴国;黄永红;周庆人;;支持向量机在遥感影像处理中的应用[J];城市勘测;2006年03期
2 吴晓;;基于支持向量机和遗传算法机器人运动目标检测[J];厦门大学学报(自然科学版);2010年06期
3 梅建新,段汕,秦前清;基于支持向量机的特定目标检测方法[J];武汉大学学报(信息科学版);2004年10期
4 潘继斌;回归函数的支持向量机估计法[J];湖北师范学院学报(自然科学版);2003年04期
5 孟科,张恒喜,李寿安,朱家元;基于SVM的可靠性评估方法研究[J];中国制造业信息化;2004年10期
6 周秀平;王文圣;黄伟军;;支持向量机回归模型在径流预测中的应用[J];水电能源科学;2006年04期
7 胡挺;;基于支持向量机的并购目标搜索研究[J];统计与决策;2007年06期
8 邹华胜;宁书年;杨峰;徐遵义;;支持向量机在储层厚度预测和计算中的应用[J];地球物理学进展;2007年05期
9 范千;王新洲;许承权;;大坝变形预测的支持向量机模型[J];测绘工程;2007年06期
10 郭丽娟;孙世宇;段修生;;支持向量机及核函数研究[J];科学技术与工程;2008年02期
11 王炜;郭小明;王淑艳;刘丽琴;;关于核函数选取的方法[J];辽宁师范大学学报(自然科学版);2008年01期
12 王振友;叶丽婷;牛庆敏;;大气中臭氧含量分析预测的支向量机模型[J];数学的实践与认识;2008年09期
13 王海洋;丁正生;;支持向量机训练算法概述[J];科技信息(科学教研);2008年09期
14 杨钟瑾;;核函数支持向量机的研究进展[J];科技资讯;2008年19期
15 沈乐平;黄维民;饶天贵;;基于支持向量机的上市公司违规预警模型研究[J];中大管理研究;2008年02期
16 王慧勤;;基于支持向量机的短期风速预测研究[J];宝鸡文理学院学报(自然科学版);2009年01期
17 李新战;赵震宇;;支持向量机基础及其应用前景[J];科技信息;2009年17期
18 罗玲玲;周钢;;支持向量机在凝冻日数预测中的应用[J];廊坊师范学院学报(自然科学版);2009年06期
19 王文栋;钟智;元昌安;;基于GEP的支持向量机参数优化[J];广西师范学院学报(自然科学版);2010年02期
20 单连峰;高岩峰;马建忠;;支持向量机在胎膜早破预测中的应用[J];数学的实践与认识;2011年06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
中国博士学位论文全文数据库 前10条
1 梅建新;基于支持向量机的高分辨率遥感影像的目标检测研究[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
中国重要报纸全文数据库 前10条
1 本版编辑 《走进初中》编委会 曲靖市教育科学研究所 王吉标 楚雄开发区实验小学 滕卫平 云南省教育科学院 黄邦杰 云南教育出版社 刘珈辰 云南电子音像出版社 刀祝威 云南教育出版社 李昕蔚 保山第一中学教师 张占林 玉溪市教科所 刘永芬 云南省教育出版社 高勇;云南教育出版社品牌助学读物解读[N];云南日报;2006年
2 记者 陶继新;“关心”教育让学生懂得了关心[N];中国教育报;2003年
3 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
4 杨朝晖;我邻域图像处理达到每秒1350亿次超高速[N];科技日报;2008年
5 陈开和;教育五“媚”[N];中国教师报;2004年
6 李水根;计算机详解配伍与药效关系[N];健康报;2005年
7 记者 杨文利;智能监控技术产业化箭在弦上[N];中国高新技术产业导报;2007年
8 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
9 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
10 记者 胡荣山 通讯员 郑爱兵;上海海大22个项目获国家自然科学基金资助[N];中国交通报;2011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
  • 010-62982499
  • 010-62783978