收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于支持向量机分类的面向对象土地覆被图像分类方法研究

员永生  
【摘要】: 面向对象的遥感图像分析是遥感图像处理技术的发展方向之一。面向对象的遥感图像分析方法也称为基于分割单元的分析方法,而对象是指通过一定的图像分割算法对遥感图像进行分割,得到内部属性相对一致或均匀程度较高的图像片段或区域单元。 在土地覆被分类应用领域,这种分割单元就是土地利用斑块。面向对象的分析方法主要特点是它识别和分类的目标是对象片段或区域,而不是单个像元,把这个识别分类过程建立在分割单元层次上的方法叫做面向对象遥感图像分类技术。面向对象分类技术优越点不仅在于充分考虑了地物的光谱特征,而且利用了地物之间的空间信息,因此,已经在一些应用领域得到有效的推广使用。但在面向对象土地覆被遥感图像分类技术中,基于核函数学习理论的分类方法尚待深入研究,特别是基于支持向量机理论的面向对象分类技术研究开发及应用方面缺少全面和深入的基础研究支持。 本文正是基于统计中的核函数学习理论,针对支持向量机在新型土地覆被面向对象遥感图像分类技术研究中亟待解决的理论框架问题与关键技术,依据统计学、计算图像工程学、遥感影像解译、数字图像处理学的相关原理,研究了基于支持向量机理论的面向对象分类技术,探索了支持向量机理论在面向对象问题上的应用潜力、能力和前景。具体开展了以下三个方面的研究工作(研究内容和创新点): 1.开始从广义遥感图像分类的最小单位即像素角度出发,总结了核密度函数在图像分类中已有的研究成果,分析了核密度函数在分类中的显著特点,提出了一个快速“核密度估计Bayes监督分类”土地覆被分类模型,并开发了一个分类子应用系统。 首先因为合理选择核函数是支持向量机分类方法的重要组成部分。其次,了解核函数的带宽参数特点,对于核密度梯度图像分割方法中重要尺度参数选择具有重要意义。核函数使支持向量机可以容易地是实现非线性映射运算。本章通过对经典高斯核函数的改进,初步认识核密度函数的带宽参数的特征及物理意义。研究结果表明:将该快速变换后的核函数应用于遥感图像土地覆被分类,达到了快速计算的目的,分类精度与同等条件下标准支持向量机相接近,实验结果也验证了改进后核函数跟踪样本分布的有效性。 本章的研究作为下一步面向对象分类的必要的基础。 2.以遥感图像核密度梯度图像分割理论为基础,建立在分割单元即对象层次上,逐步开展了基于支持向量机理论的面向对象图像分类技术研究工作和子应用系统开发工作。进行了一系列的面向对象层级基础性研究工作。以下研究方法和相应开发的子应用系统,归类于单一尺度面向对象分类技术( Single Layer Object-Oriented SVM,简记为SOBIA-SVM)体系中。 (1)提出了采用标准支持向量机理论的面向对象遥感图像分类方法,并开发了相应的子系统程序(S-SVM)。提出的建立在分割单元特征基础上的方法S-SVM,充分利用了支持向量机在小样本特征空间中的优良的识别特性。通过统计分析,说明提出的分类方法优于传统KNN方法。实验结果表明,该方法可以应用到遥感图像面向对象识别分类中。 (2)提出了基于模糊支持向量机理论的面向对象分类方法,并开发了相应子系统程序(F-SVM)。提出的采用模糊支持向量机的面向对象模式分类方法(F-SVM),对分割得到的对象单元进行了特征模糊数学权重评价,对特征中的“奇异”向量点进行弱化权重评价,使其对分类超平面的影响最低。通过统计分析,说明提出的分类方法优于未进行样本模糊权重处理的方法。实验结果表明,提出的方法精确度相比标准支持向量机方法提高了5.1%左右。 (3)提出了基于最小二乘支持向量理论的面向对象分类方法,并开发了两个子系统程序S-LSSVM和FG-LSSVM。 首先,对分割单元直接选择特征单元对象,利用标准最小二乘支持向量机进行模型的建立工作,实验数据表明,采用S-LSSVM方法,图像识别率达到了92.8%,对比相同测试样本条件下最近邻KNN方法为95.2%,SVM为95.2%,相差约2.4%左右,另外,直接S-LSSVM面向对象方法计算速度相对更快外,检测精度接近同等条件下S-SVM和KNN面向对象分类模型。 然后,在此S-LSSVM子系统基础上,深入研究并提出采用模糊灰色关联理论对样本单元进行预处理条件下的面向对象分类方法,并开发了相应的程序FG-LSSVM。提出采用最小二乘支持向量机与模糊灰色关联理论特征样本预先处理的新组合分类算法。实现了一个较高精度的遥感图像面向对象分类信息系统。实验结果表明,提出的FG-LSSVM面向对象分类方法相比较标准支持向量机S-SVM、模糊支持向量机F-SVM、以及最近邻KNN面向对象方法,其实验精度提高了2.4%左右,相比未进行特征样本预先处理的S-LSSVM算法,精度提高了约4.8%左右。提出的新方法在识别性能和精度上有了改善外,应用方面也和以上面向对象方法一样符合研究区实际分类应用的要求。 3.引入计算机视觉中的层次识别技术,通过改变遥感图像分割尺度,把大分割单元对象层划分到最底层,并在该层次建立起支持向量机识别模型,从而先行提取出大尺度层次上土地覆被地物来,剩下的小尺度地物单独建立一个层次,并在该层以小尺度参数重新分割图像,并且建立新的支持向量机模型,提取小尺度地物类型。通过计算机视觉中的图像准确掩模编程技术,将各层级提取的地物掩模叠加,得到最后的分类结果。 本章是建立在第二部分的单一尺度面向对象分类研究(SOBIA-SVM)体系基础之上,并重点研究提出一个新的多层次的面向对象方法( Multi-Layer Object-OrientedSVM,简记为MOBIA-SVM),提出了分类理论框架,思路侧重以实用价值和学术意义为出发点,进行了算法设计和应用实验,研究结果表明,提出的多层次支持向量面向对象分类方法,不仅适用大幅面尺度遥感图像分类,尤其是对小尺度地物分类精确度提高显著。此方法作为加快实现实际应用研究提供了基础研究支撑。 结束语本项研究为进一步深化和完善支持向量机理论在面向对象遥感图像分类中的应用,进行了有益的探索并提供了技术支撑,也为土地覆被面向对象分类技术的发展,提供了基础研究参考。同时对计算机视觉技术应用,特别是遥感数字图像分割技术进一步研究,具有重要的实际促进意义。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 孙蕾,耿国华,周明全,李丙春;用于医学图像分类的支持向量机算法研究[J];计算机应用与软件;2004年11期
2 黄启宏;刘钊;;基于多超平面支持向量机的图像语义分类算法(英文)[J];光电工程;2007年08期
3 江勇;张晓玲;师君;;基于目标分解与支持向量机的极化SAR图像分类研究(英文)[J];中国图象图形学报;2008年08期
4 王陈飞;肖诗斌;;基于SVM的图像分类研究[J];计算机与数字工程;2006年08期
5 翟俊海;张素芳;王熙照;;基于小波变换和支持向量机的图像分类[J];河北大学学报(自然科学版);2007年03期
6 刘全中;张丽;王吉军;;基于支持向量机的图像情感分类[J];大连大学学报;2008年03期
7 周松华;肖靓;郭鸣;;基于SVM的图像分类研究[J];井冈山学院学报;2009年03期
8 贾世杰;孔祥维;;一种新的直方图核函数及在图像分类中的应用[J];电子与信息学报;2011年07期
9 何曰光;;基于支持向量机的遥感图像分析与处理[J];武警工程学院学报;2009年06期
10 张瑜慧;李洁;郑步芹;周迎春;;一种新的图像检索方法[J];现代电子技术;2008年22期
11 田昊;李国辉;廉蔺;贾立;;用于遥感图像建筑物目标分类的层次匹配核[J];计算机科学与探索;2011年07期
12 黎曦;谢毓湘;吴玲达;;基于SVM的图像分类系统设计[J];系统仿真学报;2006年S1期
13 吴永辉;计科峰;郁文贤;;基于支持向量机的极化SAR图像分类[J];现代雷达;2007年06期
14 谢菲;陈雷霆;邱航;;基于纹理特征提取的图像分类方法研究及系统实现[J];计算机应用研究;2009年07期
15 王彦明;钱建忠;潘晨;;基于SVM-2DPCA的X光胸片异常筛查[J];计算机工程;2009年18期
16 潘崇;朱红斌;;基于自适应特征选择和SVM的图像分类的研究[J];计算机应用与软件;2010年01期
17 张鑫;刘秉权;张德园;刘远超;;空间金字塔颜色直方图在图像分类中的应用[J];计算机工程与应用;2010年18期
18 张颖彬;孟嗣仪;刘云;;基于SVM的相关反馈图像分类和检索方案[J];铁路计算机应用;2011年08期
19 于瀛;陈勇;;基于曲率方向特征的图像情感语义分类[J];计算机系统应用;2009年02期
20 曾联明;吴湘滨;刘鹏;;新的分布式遥感图像分类器系统开发[J];计算机应用研究;2009年05期
中国重要会议论文全文数据库 前10条
1 张淑雅;赵晓宇;赵一鸣;李均利;;基于SVM的图像分类[A];第十三届全国图象图形学学术会议论文集[C];2006年
2 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
3 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
4 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
5 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
6 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
7 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
8 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
9 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
10 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
中国博士学位论文全文数据库 前10条
1 员永生;基于支持向量机分类的面向对象土地覆被图像分类方法研究[D];西北农林科技大学;2010年
2 李晓旭;基于概率主题模型的图像分类和标注的研究[D];北京邮电大学;2012年
3 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
4 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
5 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
6 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
7 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
8 吴永辉;极化SAR图像分类技术研究[D];国防科学技术大学;2007年
9 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
10 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
中国硕士学位论文全文数据库 前10条
1 肖靓;基于支持向量机的图像分类研究[D];同济大学;2006年
2 徐晓丹;支持向量机在矿区遥感监测图像分类中的应用研究[D];辽宁工程技术大学;2009年
3 刘明霞;基于纹理特征的图像分类与检索研究[D];山东师范大学;2006年
4 周瑛;基于SVM的图像分类与检索技术的研究[D];华北电力大学(河北);2009年
5 武京相;融合全局和局部特征的医学图像分类[D];电子科技大学;2010年
6 刘彤彦;WWW图像分类方法研究[D];山东师范大学;2004年
7 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
8 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
9 高锦;基于SVM的图像分类[D];西北大学;2010年
10 臧伟;Boosting算法在远程教育分析和图像分类中的应用研究[D];清华大学;2004年
中国重要报纸全文数据库 前10条
1 刘杰;民众网络晒照片,博物馆兴趣浓烈[N];中国摄影报;2009年
2 武德锋 李国辉 林洪文 姚作梁;图像世界任我行[N];计算机世界;2002年
3 ;尽享极速冲浪快感的 Longator 2004横空出世[N];中国电脑教育报;2004年
4 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
5 李水根;计算机详解配伍与药效关系[N];健康报;2005年
6 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
7 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
8 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
9 ;选择合适的数据挖掘算法[N];计算机世界;2007年
10 记者 耿挺;蛋白质功能算出来[N];上海科技报;2007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