基于自组织映射和特征提取的遥感数据分类研究

论文摘要

近年来,对地观测技术不断发展,遥感卫星数据的空间分辨率提高到亚米级,光谱分辨率提高到5纳米。遥感技术的快速发展极大地促进了遥感数据的应用。与此同时,对遥感数据处理方法的需求也在不断的提高,更高级的数据需要更先进的技术方法。在此背景下,一些学者提出了一些新的算法,如支持向量机、神经网络等等。但是,大部分研究的方向都集中在监督分类算法上。但对于监督遥感分类算法,其精度受到带有类别标记的训练数据集的影响。往往选择一个能够很好代表研究区域的训练数据集要花费很大的人力物力,而且不同的实验者选择的训练集不同,分类算法的最终分类精度也不相同,甚至可能差异很大。非监督分类算法则不需要带有类别标记的训练样本,在充分利用遥感数据的同时避免了人为因素的印象。本文对非监督分类进行了研究,取得了以下成果:（1）研究了不同的非监督遥感分类算法。实验表明,传统的非监督分类算法,如ISODATA及K-means分类精度处于80%左右。而对于神经网络中的自组织映射（SOM）算法,由于SOM优秀的不同维度空间的拓扑排序映射能力,其分类精度相对于传统非监督分类算法有了明显提高,分类精度达到85%以上。（2）针对基于像素的SOM算法,提出了使用特征提取来优化SOM,进而提高分类精度以及分类效率。针对像素的SOM算法在分类结果中不可避免的产生了椒盐噪声,而特征提取方法可以考虑一个像素周围的像素的影响,考虑了地物的纹理信息。基于自组织映射和特征提取的算法流程的分类精度达到了94%。为了进一步验证本文提出的算法的分类精度和效率,本文设置了一些其他的对比算法,即:BP神经网络,支持向量机、ISODATA、K-means以及基于像素的SOM算法。实验表明本文提出的算法分类精度高于对比算法,同时分类所用时间也少于当前流行的监督分类算法。一旦该流程建立成功,其可以对同一类型的遥感数据的不同地区进行分类,以达到快速分类的目的。

论文目录

摘要

abstract

1 绪论

1.1 选题背景及研究意义

1.1.1 选题背景

1.1.2 选题意义

1.2 国内外研究现状

1.2.1 土地利用分类研究现状

1.2.2 自组织映射发展现状

1.2.3 存在问题

1.3 研究目标

1.4 研究内容与技术路线

1.4.1 研究内容

1.4.2 技术路线

1.5 创新点

1.6 论文的组织结构

2 基于自组织映射和特征提取算法原理

2.1 自组织神经网络（SELF-ORGANIZING MAP）

2.2 特征提取

3 基于特征提取及自组织映射的遥感数据分类流程

3.1 构建网络结构

3.2 训练神经网络

3.3 土地利用分类及分类后处理

4 应用实例

4.1 研究区概况

4.2 数据源及预处理

4.3 SOM网络输入及输出

4.4 非监督聚类类别数选择分析

4.5 对比算法及结果

4.5.1 监督分类算法

4.5.2 非监督分类

4.6 精度评价

5 结论与展望

5.1 结论

5.2 不足之处

5.3 研究展望

致谢

参考文献

附录1 核心代码

附录2 个人简介

文章来源

类型: 硕士论文

作者: 张耀华

导师: 田淑芳

关键词: 土地利用,遥感分类,特征提取,自组织映射

来源: 中国地质大学(北京)

年度: 2019

分类: 基础科学

专业: 自然地理学和测绘学

单位: 中国地质大学(北京)

分类号: P237

DOI: 10.27493/d.cnki.gzdzy.2019.000258

总页数: 52

文件大小: 4208K

下载量: 88

基于自组织映射和特征提取的遥感数据分类研究

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢