利用多核极限学习机的高分辨率遥感影像分类及其应用研究

发布时间：2021-07-14 10:21

　　近十年来,伴随着航天和卫星传感技术的跨越式发展以及国家高分重大专项工程的启动实施,高分辨率遥感影像数据急剧增长,这在国土普查、路网设计、农作物估产和防灾减灾等领域给国防现代化建设提供了信息保障。然而,由于高分辨率遥感影像地物分布复杂,传统的目视解译方式需耗费大量人力和物力。其中,在人力方面,还存在主观性过强的问题。为此,将多特征与神经网络结合来构建分类器已成为遥感影像分类的主流趋势。作为一种快速学习的前馈神经网络,极限学习机（Extreme Learning Machine,ELM）为聚类、回归、分类等应用提供了高效的统一解决方案,因此本文着重研究了极限学习机在遥感影像分类中的应用。首先,阐述了遥感影像分类的背景、意义、研究现状及面临的问题,同时介绍了ELM研究现状;其次,对其中涉及到的分割技术、分类算法及ELM进行了详细地介绍;此外,针对基础ELM在影像分类中的不足之处,通过引入多个核函数的方式构建多核ELM;最后,为提高分类器的分类精度并增强其泛化能力,在单一分类器的基础上,提出一种基于Ada Boost算法的多核ELM集成学习模型。本文的主要研究内容如下:1.针对遥感影像特征复杂... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

原始影像

重庆邮电大学硕士学位论文第3章基于多特征多核ELM的高分遥感影像分类25121212mergesmoothmergemergelllhnnnbbb=+(3.13)其中，il表示对象的周长，in表示对象的像元个数，ib表示对象的周长最小外接矩形。选取多尺度分割算法对所选影像进行分割，然后通过区域合并代价函数对细碎地物进行区域间合并，实验影像选取重庆市某地区的卫星遥感影像，将该算法运用到HRRSI分割中进行仿真实验。图3.5原始影像图3.6多尺度算法分割效果图(a)裸地分割放大图(b)道路分割放大图(c)建筑分割放大图(d)植被分割放大图图3.7部分地物分割放大图

部分

【参考文献】：
期刊论文
[1]自适应类别的层次高斯混合模型遥感影像分割[J]. 石雪,李玉,赵泉华.  电子学报. 2020(01)
[2]边缘约束下的分形网络分割算法[J]. 呙维,彭旭,刘异,朱欣焰.  武汉大学学报(信息科学版). 2019(11)
[3]关于图像分割算法的研究[J]. 齐千慧,田益民,韩利利,张天颖.  北京印刷学院学报. 2019(07)
[4]旋转森林与极限学习相结合的遥感影像分类方法[J]. 肖东升,鲁恩铭,刘福臻.  遥感信息. 2019(03)
[5]基于CNN、SVM和迁移学习的轮胎花纹分类[J]. 刘颖,葛瑜祥.  西安邮电大学学报. 2018(03)
[6]当代遥感科技发展的现状与未来展望[J]. 张兵.  中国科学院院刊. 2017(07)
[7]基于知识的深度强化学习研究综述[J]. 李晨溪,曹雷,张永亮,陈希亮,周宇欢,段理文.  系统工程与电子技术. 2017(11)
[8]一种适用于卷积神经网络的Stacking算法[J]. 张笑铭,王志君,梁利平.  计算机工程. 2018(04)
[9]一种基于ELM-SVM的遥感图像分类方法[J]. 古丽娜孜·艾力木江,乎西旦·居马洪,孙铁利,梁义.  东北师大学报(自然科学版). 2017(01)
[10]中国高分辨率对地观测系统重大专项建设进展[J]. 童旭东.  遥感学报. 2016(05)

硕士论文
[1]基于深度学习的遥感影像分类方法研究[D]. 薛洪飞.哈尔滨工程大学 2019
[2]基于模糊聚类的图像分割算法的研究与应用[D]. 陆海青.江南大学 2018
[3]基于区域合并的高分辨率遥感影像分割方法研究[D]. 王耀.中国矿业大学 2018



本文编号：3283948