导读:本文包含了遥感图像监督分类论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:遥感,图像,光谱,数据,向量,近邻,学习机。
遥感图像监督分类论文文献综述
胡冬翠[1]（2019）在《高光谱遥感图像半监督分类研究》一文中研究指出高光谱遥感数据具有分辨率高、光谱曲线连续,携带的地物信息更加丰富等优点,近年来受到了遥感领域科技工作者的青睐。但是,高光谱数据波段多和相邻波段之间相关性强的特点,导致了维数灾难和Hughes现象,也使得遥感数据中包含了大量的冗余信息,进而影响地物分类结果。因此,在降低高光谱数据维数的同时,尽可能的保持原始波段中的有用信息,是获取高光谱遥感数据中有用知识的重要手段。对于高光谱遥感图像来说,标记样本不仅费时费力,而且还依赖于专家的经验和知识。半监督学习可以利用少量带标签的样本点和部分未标记的样本点,分别组成训练样本集和测试样本集,通过学习训练以提高分类器的性能。一般来说,分类精度与标记样本的数量成正比。因此,如何利用有限的训练样本得到理想的分类结果,是一个挑战性的任务。本文在总结分析已有成果的基础上,开展了以下研究工作:(1)基于谱方法、空间信息和遗传算法,提出了一个新的高光谱图像分类方法。该方法首先通过样本点的谱信息和空间信息,定义了一个新的相似度函数;然后用K近邻方法构造一个原始图,进而利用遗传算法对得到的图进行优化,得到一个优化图。基于优化的图,用改进的谱方法对数据进行降维;最后通过局部平均伪近邻方法(Local Mean-based Pseudo Nearest Neighbor,LMPNN)完成分类。(2)基于预分类和不连续概率松弛(Discontinuity Preserving Relaxation,DPR)策略,提出了一种新的高光谱图像半监督分类算法。该方法首先采用DPR和Robert算子,对原始高光谱数据进行去噪;基于有限的训练集,利用两个分类器MLRsub(Multinomial Logistic Regression with a subspace projection)和LMPNN对去噪后的图像进行预分类处理,达到了扩大训练样本集的目的。借助于新的训练样本集,再次利用MLRsub分类器进行分类。为了得到理想的分类精度,在后处理中使用松弛策略,对分类图进行去噪。为了验证所提出算法的有效性,我们在高光谱分类中被广泛用来测试算法完成性的叁个典型数据集,Indian Pines,Salinas和Botswana上进行了实验。实验结果和比较实验结果表明,本文提出的方法能够得到较高的分类精度。(本文来源于《辽宁师范大学》期刊2019-05-01）
牟多铎,刘磊[2]（2019）在《ELM与SVM在高光谱遥感图像监督分类中的比较研究》一文中研究指出在高光谱遥感图像监督分类过程中加入空间特征信息,可有效提高分类的速度与精度。将空间信息提取方法分水岭法与极限学习机(ELM)和支持向量机(SVM)相结合,对两种分类方法加入空间特征信息前后的分类结果进行时间与精度的综合评价与比较分析。以意大利帕维亚大学(PaviaU)ROSIS和博茨瓦纳(Botswana)奥卡瓦纳叁角洲Hyperion高光谱遥感数据进行试验,首先对原始图像数据进行预处理,对不同地物类别选取适当的训练样本作为分类的参考区域,然后对各类别的光谱特征进行分析,并分别运用两种分类方法对数据集进行分类实验;之后将光谱特征与空间特征结合对数据进行分类试验。实验结果表明:在分类时间及精度方面,极限学习机(ELM)均优于支持向量机(SVM);在分类过程中引入空间特征信息,可有效提高分类精度。(本文来源于《遥感技术与应用》期刊2019年01期）
董文,赵平[3]（2018）在《分层分类与监督分类相结合的遥感图像信息提取方法研究》一文中研究指出随着遥感图像分辨率的不断提高,利用遥感技术进行地表信息的分类获取一直是遥感科学研究的热点。因地物类型的多样性和地物在图像上的反射波谱特征的不确定性,使得高分辨率遥感图像进行地物类别快速且准确的判读难以实现。为了提高遥感图像对地物信息提取的精度,以高分二号遥感图像作为基础研究数据,采用面向对象的分类方法,在多尺度分割的基础上,结合典型地物的光谱特征、几何特征以及植被水体指数,构建地物类型提取的分层分类模型,对研究区影像进行地物的粗提取,在粗提取的基础上进行监督分类,并与分割尺度相同的监督分类方法进行比较分析。结果表明,分层分类与监督分类相结合进行地物提取的精度高于常规监督分类方法,总体分类精度提高了19%,Kappa系数提高了0.24,说明该方法对地表地物类型的信息提取具有一定的参考价值。(本文来源于《环境保护与循环经济》期刊2018年06期）
何微[4]（2018）在《基于ASTER遥感图像的宜昌市区土地利用监督分类》一文中研究指出在遥感图像处理中,图像分类在分析土地利用有着重要作用。文章主要介绍了遥感处理中的监督分类方法,同时对此分类方法中的最大似然法和最小距离法的算法原理做了比较详细的介绍。并采用宜昌城区的ASTER遥感数据作为处理数据,运用envi4.4软件,对以上两种分类算法进行试验,从而得到宜昌市城区土地利用情况。实验结果表明,利用最大似然法分类要优于最小距离分类法。(本文来源于《时代农机》期刊2018年03期）
童佳楠[5]（2016）在《基于锚点建图的半监督分类在遥感图像中的应用》一文中研究指出针对基于图的半监督图像分类方法扩展性差的问题,结合了mean shift图像聚类算法和基于锚点建图的方法并将其应用于遥感图像的分类中。首先采用mean shift聚类算法对遥感图像聚类;其次根据基于锚点建图的半监督分类方法,选取聚类中心作为锚点,利用锚点集和标记样本集建图,达到缩小图规模的目的,并建立锚点与样本间的关联矩阵;然后通过分类器得到锚点的标记信息;最后由样本与锚点间的关联矩阵还原得到遥感图像的分类结果。实验结果表明,该方法对遥感图像分类时,能够有效地降低计算复杂度,同时获取较好的分类结果。(本文来源于《现代电子技术》期刊2016年22期）
童佳楠[6]（2016）在《基于图的半监督分类方法在遥感图像中的应用研究》一文中研究指出遥感图像的分类是遥感图像分析处理的主要技术之一。基于图的半监督分类方法利用有标记信息的样本、没有标记信息的样本对数据分类,分类性能良好,且所构建的解函数能够转变为凸优化函数,获得全局最优解,因此获得了更多的关注和研究。基于图论创建的图结构,当数据规模过大时,计算复杂度太高；另外选择合适的近邻数目,构建的图完全可以扑捉到数据流形形态。近邻数过小时,不能获取更多有效信息；近邻数过大时,干扰信息太多,因此自适应选取样本近邻数有着重要的意义。针对上述问题,本文结合基于锚点建图的半监督分类算法进行研究,并提出了相应的改进。论文主要工作如下：(1)阐述了半监督分类的基础理论和研究现状,主要介绍了基于图的半监督分类算法相关内容,及其研究现状,并对基于图的半监督分类算法存在的缺陷和问题进行了分析。(2)针对遥感影像地物特征多而繁杂,各类地物间边界不明显,“同物异谱”和“同谱异物”的现象更是增加了大规模遥感图像分类的难度,本文结合Mean Shift算法和基于锚点建图的半监督分类算法,并对遥感影像分类。所提算法首先对图像采用Mean Shift聚类得到聚类中心构成锚点集,通过锚点与标记样本构图缩小了图规模；然后利用此算法对缩小规模的锚点集分类；最后映射还原到整个图像数据集,得到遥感图像分类结果。实验结果表明此方法对遥感图像分类在降低时间复杂度的同时提高了分类结果。(3)针对基于锚点建图过程中样本的近邻锚点数选取不当,影响分类精度的问题,提出自适应获取近邻锚点数的算法。遥感图像中地物比较复杂,某些类别交错严重,当近邻数过小时,获取的有效信息过少,而近邻个数过大时,又容易获取太多的干扰信息,会影响遥感图像的分类精度,本文提出采用测地距离和欧氏距离之间的关系自适应地选择样本点的近邻锚点个数。一定程度上提高了对遥感影像的分类性能。(本文来源于《陕西师范大学》期刊2016-05-01）
王俊淑,江南,张国明,胡斌,李杨[7]（2015）在《高光谱遥感图像DE-self-training半监督分类算法》一文中研究指出提出了一种高光谱遥感图像半监督分类算法DE-self-training。利用少量标记样本作为初始训练集,基于改进的Self-training算法构建初始分类器,对未标记样本进行预测;然后从分类结果中按一定比例随机选取部分样本,连同其类别标记一起加入训练集中,再用扩大的训练集重新训练分类器,并对剩余的未标记样本进行预测。如此迭代地进行训练-预测-挑选样本扩大训练集过程。同时,在迭代训练过程中,运用基于最近邻域规则的数据剪辑策略对扩大训练集时产生的误标记样本进行过滤,以保证训练集的质量,不断迭代地训练出更精确的分类器,最终使所有未标记样本都获得类别标记。以AVIRIS Indian Pines和Hyperion EO-1 Botswana作为实验数据对DE-self-training算法进行测试,并与基于支持向量机的分类结果作比对。实验表明,DE-self-training算法可以在标记样本数量有限条件下,充分挖掘未标记样本的有用信息,使总体分类精度和Kappa系数都有不同程度的提高。(本文来源于《农业机械学报》期刊2015年05期）
王雪君[8]（2015）在《高光谱遥感图像半监督分类方法的研究》一文中研究指出成像光谱仪技术的出现,使遥感技术提供光谱特征信息的同时,也提供了空间特征图像,在此基础上,高光谱遥感图像因具有较高的光谱分辨率,在实际中得到了广泛的应用。高光谱遥感图像波段多、信息量大,能够获取更为精细地光谱特征,给对地物的分类与探测带来前所未有的机遇,但同时也带来了挑战。针对高光谱遥感图像的特点,分类技术需要考虑以下关键性问题:(1)高光谱遥感图像具有几十甚至数百个波段,数据量大,维数高;(2)对样本进行标记是一件耗费人力、物力、财力的事情,且选取的样本也不一定具有代表性,Hughes证明了训练样本数目为样本数据维数的6~10倍时,分类效果较好,获取足够数目的且有代表性的有标签样本困难大;(3)地物的光谱特征受地物种类本身以及周围环境的影响变化较大,光谱特征具有空间变异性。传统的分类方法一般分为无监督分类和监督分类,无监督分类无需先验知识的指导,但分类效果不佳,监督分类方法一般依赖训练样本的数量和质量,在训练样本不足或质量不高的情况下,分类器的泛化性降低。综合考虑以上问题,本文主要研究了高光谱遥感图像的半监督分类算法,充分利用海量的无标签样本信息,辅助分类器进行分类。同时,利用核学习技术解决维数灾难问题,利用空间信息抑制光谱的空间变异性对分类的影响。在此基础上,主要提出了以下两种半监督分类方法:1提出一种结合局部和全局一致性学习方法(Learning with local and global consistency,LLGC)和最小二乘支持向量机(Least squares support vector machine,LS-SVM)的半监督分类算法。LLGC算法是一种基于图的分类算法,根据样本数据间的相似程度,将样本标签信息依次迭代的传递给无标签样本,基于此,本文提出用LLGC算法代替传统的KNN方法,对有标签样本的近邻样本进行标记,然后将已标记的样本扩充到LS-SVM的训练样本集中,训练LS-SVM分类器。本文提出的算法不仅能够很好地避免基于图算法时间复杂度高和直推性的缺陷,而且可以扩充LS-SVM训练样本集,提高LS-SVM的分类精度和泛化能力。实验结果表明,本文提出的算法在一定程度上提高了高光谱遥感图像的分类精度。2提出一种引入负相似的LapSVM半监督分类(Dissimilarity in Laplacian support vector machine,Diss-LapSVM)方法。LapSVM分类器是结合传统的正则化框架和流形假设提出的一种半监督分类方法,同传统的SVM算法一样,结构简单,运算速度快,鲁棒性强,而且通过添加流形正则化项,引入了无标签样本蕴含在流形结构中的几何信息,辅助有标签样本调整分类界面,提高了分类器的泛化性能。同时,本文提出利用LNP(Linear neighborhood propagation,LNP))算法,构造图的拉普拉斯矩阵,更好地反映无标签样本的几何结构信息。本文充分考虑到光谱特征的空间变异性,提出利用空间信息提取样本之间的相似度问题,引入了负相似的概念,在一定程度上减缓“同谱异物”、“同物异谱”现象对分类结果的影响。利用AVAIRIS图像验证算法的有效性,实验结果证明本文提出的算法在提高分类精度和运算速度方面都获得较好的效果,尤其可以提高光谱特征相似地物的分类精度。本文提出的两种算法各有特点,第一种是两种监督算法的结合,首先利用原始的有标签样本训练一种分类器,对置信度较高的无标签样本进行标记,达到扩充另一种分类器的训练样本集目的;第二种算法是直接将无标签样本添加到目标函数中,利用无标签样本的几何结构信息,同原始的有标签样本一起调整分类器的分类界面。本文提出的两种算法都是以基于核学习的分类器作为基分类器,在处理高光谱遥感图像高维问题上具有很强的鲁棒性,且解决了训练样本不足的问题。(本文来源于《哈尔滨工程大学》期刊2015-01-01）
贾建峰[9]（2014）在《ENVI遥感图像监督分类方法比较》一文中研究指出鉴于遥感监督分类方法的普遍应用,本文介绍了五种常用的监督分类方法:平行六面体法、最小距离法、马氏距离法、最大似然法和人工神经网络分类法。就同一地区TM影像应用这五种方法进行了土地利用分类,对比分析了这五种方法的分类精度,发现人工神经网络对土地覆盖与利用的分类精度高于最大似然法,最大似然法分类精度优于平行六面体法、最小距离法和马氏距离法。所得结论对有关遥感图像分类工作具有指导和借鉴意义。(本文来源于《西部资源》期刊2014年06期）
邬文慧[10]（2014）在《空谱联合高光谱遥感图像半监督分类》一文中研究指出在过去的十年里,高光谱遥感图像已广泛应用于识别和分类问题,并且覆盖了农业,军事和工业等众多领域。高光谱图像的传感器在大量连续的谱带上捕捉物质的辐射率,使得高光谱遥感图像包含丰富的空间、辐射和光谱信息,有利于进行地物分类并提高分类的准确率和鲁棒性。本文在研究高光谱遥感图像的基础上,充分利用高光谱图像的光谱信息和空间信息进行地物分类,所取得的研究成果为:1.针对高光谱图像“同物异谱”、“同谱异物”现象的存在,提出了基于空间近邻判别图的高光谱图像半监督分类方法。基于图的半监督分类方法在众多研究领域中吸引了大量的目光,其中图的构建是这类方法的重点。本文中,我们构建了一种名为空间近邻判别图的新型图用于图半监督分类中。在构图的过程中引入差异信息和空间布局信息,最终使用类标传播方法将标签通过图传播到未标记样本上。更具体地说,空间信息通过非参数自适应聚类的均值漂移(Mean Shift)方法生成的,将属于同一块的样本点间紧密联系。在此基础上,生成了一个空谱信息联合的分类器。在公测的高光谱数据上进行实验并与两种有监督的方法和两种基于图的半监督方法进行对比,结果表明,该方法能够有效地提高分类的准确率,尤其是在小样本学习的情况下,依然可以取得较高的识别结果。2.针对现有大多数高光谱图像分类方法只使用单一的谱特征,即只能从一个角度描述高光谱图像的特性而忽略了不同特征之间的互补信息,提出了基于多任务低秩表示的高光谱图像分类方法。该方法以通过均值漂移分块后的超像素为分类单位,加入了空间信息,并使用两种特征——谱特征及谱梯度特征,从两种角度描述高光谱特性。不同于传统的低秩表示模型,多任务低秩将两种特征联合起来求得统一的系数矩阵,有效地利用了交叉特征信息,提高了分类准确率。在高光谱数据上进行了实验,结果验证了该方法的有效性。3.核传播是一种新的半监督核矩阵学习的方法。本文提出了一种基于核传播的高光谱图像半监督分类方法。该方法利用核传播方法从大量未标记样本的信息中学习出核矩阵,并与径向基核函数(Radial Basis Function,RBF)相结合构造复合核函数。使用复合核函数将样本映射到到高维特征空间中利用支持向量机(Support Vector Machine,SVM)分类器对测试样本进行类标预测。核传播非常适合非线性问题,通过在高光谱数据库上的实验仿真验证了该算法的性能,即核矩阵学习得到的复合核函数比预先定义的核函数更加适合高光谱图像。本文的工作得到了国家自然科学基金(61272282),教育部新世纪优秀人才支持计划(NCET-13-0948)等项目的资助。(本文来源于《西安电子科技大学》期刊2014-11-01）
遥感图像监督分类论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在高光谱遥感图像监督分类过程中加入空间特征信息,可有效提高分类的速度与精度。将空间信息提取方法分水岭法与极限学习机(ELM)和支持向量机(SVM)相结合,对两种分类方法加入空间特征信息前后的分类结果进行时间与精度的综合评价与比较分析。以意大利帕维亚大学(PaviaU)ROSIS和博茨瓦纳(Botswana)奥卡瓦纳叁角洲Hyperion高光谱遥感数据进行试验,首先对原始图像数据进行预处理,对不同地物类别选取适当的训练样本作为分类的参考区域,然后对各类别的光谱特征进行分析,并分别运用两种分类方法对数据集进行分类实验;之后将光谱特征与空间特征结合对数据进行分类试验。实验结果表明:在分类时间及精度方面,极限学习机(ELM)均优于支持向量机(SVM);在分类过程中引入空间特征信息,可有效提高分类精度。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
遥感图像监督分类论文参考文献
[1].胡冬翠.高光谱遥感图像半监督分类研究[D].辽宁师范大学.2019
[2].牟多铎,刘磊.ELM与SVM在高光谱遥感图像监督分类中的比较研究[J].遥感技术与应用.2019
[3].董文,赵平.分层分类与监督分类相结合的遥感图像信息提取方法研究[J].环境保护与循环经济.2018
[4].何微.基于ASTER遥感图像的宜昌市区土地利用监督分类[J].时代农机.2018
[5].童佳楠.基于锚点建图的半监督分类在遥感图像中的应用[J].现代电子技术.2016
[6].童佳楠.基于图的半监督分类方法在遥感图像中的应用研究[D].陕西师范大学.2016
[7].王俊淑,江南,张国明,胡斌,李杨.高光谱遥感图像DE-self-training半监督分类算法[J].农业机械学报.2015
[8].王雪君.高光谱遥感图像半监督分类方法的研究[D].哈尔滨工程大学.2015
[9].贾建峰.ENVI遥感图像监督分类方法比较[J].西部资源.2014
[10].邬文慧.空谱联合高光谱遥感图像半监督分类[D].西安电子科技大学.2014
论文知识图
