收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于改进随机聚类决策森林算法的遥感影像分类研究

胥海威  
【摘要】:遥感影像分类是遥感应用技术体系中最基础和最重要的工作。遥感分类技术的不断发展促进了遥感在众多领域的普及与应用;生态环境、国土资源、城乡发展、军事与国防等更多领域对遥感应用的实际需求,对遥感分类理论、技术与方法提出了更高要求。几十年来,遥感影像分类在理论和技术方面都取得了长足的发展,但是仍不能满足大范围实际应用的需要。由于遥感分类所依赖的影像会受到如研究区地表复杂度、物候特征、遥感传感器类别、影像预处理方法等诸多因素的影响,遥感自动分类始终是一项难度极高和极具挑战性的研究课题。 本文在对机器学习领域随机聚类决策森林算法进行多方面改进的基础上,将该决策分类算法引入遥感影像分类,在提高遥感影像分类效果、满足实际应用需求等方面取得了一定进展。本文的主要创新和研究内容如下: (1)针对遥感分类算法的构建,对机器学习领域的随机聚类决策森林算法进行了改进,包括:为避免决策树结构中各子树分布极不平衡的情况出现,添加树平衡系数;为提高运算效率,对叶节点的节点不纯度予以调整;为防止分类精度的损失,在决策树层数设置方面进行优化;为降低运算复杂度,结合随机聚类决策森林算法自身的特点,采用决策预剪枝技术等多项改进。 (2)对随机聚类决策森林算法和改进后的随机聚类决策森林算法,采用多光谱影像进行对比实验,结果表明虽然在总体分类精度方面,改进算法比原算法仅提高了1%;但在运算效率方面,改进算法提高了大约23.4%。 (3)将改进随机聚类决策森林算法与五种经典遥感分类方法进行比较,结果显示:改进算法的分类精度比最大似然法提高了4%,比平行六面体法、M距离法、最小距离法的精度分别高出26%、16%和14%左右。 (4)将改进随机聚类决策森林算法应用于高光谱遥感影像分类,对比常用的最大似然法、支持向量机方法以及神经网络方法,我们看到:支持向量机、神经网络方法以及最大似然法各有优劣,但都必须对影像先进行降维处理,而改进的随机决策聚类森林算法构建的分类器则显现出结构简单、训练容易、具有更高分类精度的优势。 (5)将改进随机聚类决策森林算法与面向对象方法结合,利用eCognition商业软件完成影像分割后,针对导出的分割对象,用改进随机聚类决策森林算法与eCognition所提供的多种分类算法进行比较,实验结果表明:在训练样本相同的情况下,改进的随机聚类决策森林算法的分类精度提高了5%。 综上所述,将改进随机聚类决策森林算法应用于多光谱遥感影像、高光谱遥感影像和面向对象遥感影像分类中,均表现出较为理想的分类精度,证明本文提出的改进随机聚类决策森林算法对各类可见光-近红外遥感影像具有较好的适用性。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 王伯超;塔西甫拉提·特依拜;张飞;何祺胜;丁建丽;;基于数字遥感图像的艾比湖绿洲近30年动态变化研究[J];水土保持通报;2007年02期
2 周脚根;赵春江;黄文江;杨崇俊;;基于土地利用格局的农田环境质量监测取样方法[J];农业工程学报;2008年S2期
3 陈姝;居为民;李显风;;常熟市土地利用变化对生态服务价值的影响[J];水土保持研究;2009年05期
4 程昌秀,严泰来,朱德海,张玮;GIS与RS集成的高分辨率遥感影像分类技术在地类识别中的应用[J];中国农业大学学报;2001年03期
5 丁红娟;沈明霞;卢之慧;;基于遥感和GIS技术的农田信息管理系统[J];浙江农业科学;2010年04期
6 齐乐;岳彩荣;;基于CART决策树方法的遥感影像分类[J];林业调查规划;2011年02期
7 骆剑承,周成虎,杨艳;遥感地学智能图解模型支持下的土地覆盖/土地利用分类[J];自然资源学报;2001年02期
8 周伟;陆贵巧;郭万军;;基于GIS和RS的地类划分研究分析[J];河北林果研究;2008年01期
9 曹林;韩维栋;李凤凤;张裕娇;;雷州湾红树湿地景观格局演变及驱动力分析[J];林业科技开发;2010年04期
10 余建杰;;基于TM遥感影像的鄱阳湖湿地分类研究[J];江西农业学报;2007年12期
11 李君;范文义;李明泽;;线性混合光谱模型在多光谱遥感影像分类中的应用[J];东北林业大学学报;2008年08期
12 罗凯;罗旭;冯仲科;李静锐;吴露露;;自组织特征映射网络在遥感影像分类中的应用[J];北京林业大学学报;2008年S1期
13 彭文;石军南;;面向对象的GEO遥感影像分类与信息提取[J];绿色科技;2011年06期
14 曹宝;秦其明;张自力;马海建;邱云峰;;基于特征增强技术的面向对象分类方法[J];水土保持研究;2008年01期
15 李华;曹卫彬;刘姣娣;;土地监测中提高遥感图像分类精度的方法研究[J];安徽农学通报;2008年22期
16 邢元军;旦增;;基于面向对象的高分辨率影像的森林植被变化信息提取研究[J];中南林业调查规划;2010年04期
17 张海龙;蒋建军;解修平;吴宏安;张丽;;基于改进的BP神经网络模型的遥感影像分类法[J];农机化研究;2006年10期
18 任琼;江洪;陈健;李土生;彭世揆;余树全;;基于支持向量机的生态公益林遥感分类研究[J];林业资源管理;2009年01期
19 李卫正;艾畅;彭世揆;;一种利用地形图和遥感影像提取小班界线的方法[J];南京林业大学学报(自然科学版);2009年02期
20 纪娜;李锐;李静;;MNF和SVM在遥感影像计算机分类中的应用[J];水土保持通报;2009年06期
中国重要会议论文全文数据库 前10条
1 汪东川;龚建华;张利辉;;基于时间序列轨迹分析的遥感影像分类结果联合校正[A];第十七届中国遥感大会摘要集[C];2010年
2 汤家法;;基于可拓分类器的遥感影像分类[A];第十七届中国遥感大会摘要集[C];2010年
3 王珊珊;季民;高洁;焦其松;;CBR方法在高分辨率遥感影像分类中的应用[A];《测绘通报》测绘科学前沿技术论坛摘要集[C];2008年
4 巫兆聪;;RBF网络的粗糙表示与遥感影像分类应用[A];第十三届全国遥感技术学术交流会论文摘要集[C];2001年
5 陈玉敏;万幼川;;结合矢量的神经网络算法用于遥感影像分类研究[A];2003年中国智能自动化会议论文集(上册)[C];2003年
6 罗小波;刘明皓;;基于优化的BP神经网络遥感影像分类[A];2006年中国土地学会学术年会论文集[C];2006年
7 赵泉华;宋伟东;鲍勇;;基于分形纹理的BP神经网络遥感影像分类[A];中国仪器仪表学会第九届青年学术会议论文集[C];2007年
8 胡海斌;邱明;姜青山;胡海龙;赵新星;;一种基于数据继承关系的C4.5分类优化算法[A];第26届中国数据库学术会议论文集(B辑)[C];2009年
9 简季;杨武年;马正龙;陈园园;;BP神经网络在土地分类中的应用研究——以汶川地区为例[A];《测绘通报》测绘科学前沿技术论坛摘要集[C];2008年
10 赵银娣;蔡燕;;纹理特征在高空间分辨率遥感影像分类中的应用探讨[A];《测绘通报》测绘科学前沿技术论坛摘要集[C];2008年
中国博士学位论文全文数据库 前10条
1 胥海威;基于改进随机聚类决策森林算法的遥感影像分类研究[D];中南大学;2012年
2 易俐娜;面向对象遥感影像分类不确定性分析[D];武汉大学;2011年
3 任广波;基于半监督学习的遥感影像分类技术研究[D];中国海洋大学;2010年
4 巫兆聪;粗集理论在遥感影像分类中的应用[D];武汉大学;2004年
5 徐盛;基于主题模型的高空间分辨率遥感影像分类研究[D];上海交通大学;2012年
6 伊卫国;基于关联规则与决策树的预测方法研究及其应用[D];大连海事大学;2012年
7 谭琨;基于支持向量机的高光谱遥感影像分类研究[D];中国矿业大学;2010年
8 慕昱;基于数据挖掘的核电站故障诊断技术研究[D];哈尔滨工程大学;2011年
9 王攀;IP网络业务识别关键技术研究[D];南京邮电大学;2013年
10 王清;集成学习中若干关键问题的研究[D];复旦大学;2011年
中国硕士学位论文全文数据库 前10条
1 陈丽萍;基于决策树的面向对象分类方法研究[D];辽宁工程技术大学;2012年
2 李源泰;基于人工神经网络的遥感影像分类研究[D];昆明理工大学;2010年
3 任亚芬;面向并行环境的遥感影像分类算法设计与实现[D];华中科技大学;2011年
4 秦高峰;基于机器学习的多光谱遥感影像分类及城市扩展研究[D];重庆大学;2012年
5 黄瑾;面向对象遥感影像分类方法在土地利用信息提取中的应用研究[D];成都理工大学;2010年
6 李宏宏;面向对象的高分辨率遥感影像分类及泥石流信息提取研究[D];南京理工大学;2013年
7 代晨阳;基于蚁群算法的遥感影像分类研究[D];福建师范大学;2011年
8 厉心刚;基于SPM特征提取的面向对象遥感影像分类研究[D];武汉理工大学;2011年
9 杨刚;基于Landsat7 ETM+影像的大区域地表覆盖遥感分类方法研究[D];湖南科技大学;2012年
10 黄利文;基于几何概率的聚类分析[D];福州大学;2006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