随机森林及其在遥感图像分类中的应用

摘要

随着遥感技术的不断发展,如何自动、准确、快速的为遥感图像分类一直是研究热点。由于红树林遥感图像训练样本获取困难,训练样本少,给自动化分类精度带来了很大的考验。本文在研究随机森林算法的基础上,结合 TM图像的特征,提出了随机森林的改进算法,提升了自动化水平。
　　随机森林以其适用于小样本、稳定性强等特点被广泛应用于遥感分类,为了提升遥感分类的精度和效率,本文在随机森林作基础上作如下工作:
　　首先,为了提升 TM遥感图像的分类精度,提出了完全随机的特征选取与组合的随机森林,能自动提取、挖掘 TM图像中组合特征的信息。该算法是在特征线性组合的基础上加入了对特征组合个数的随机性和子特征空间大小的随机性,降低了随机森林的泛化误差,提升了分类精度。
　　其次,为了提升随机森林的分类效率,提出了基于克隆选择的随机森林,该算法引用人工免疫思想对随机森林进行选择优化,优化后,很好的压缩了随机森林,分类效率更高,分类精度也进一步提升。
　　最后,结合随机森林的性质,提出一个基于边缘最大化的未标签样本选取机制,实验证明,以该机制所选样本对提升随机森林的泛化能力有积极贡献。
　　为了验证算法的有效性,所提算法都在 UCI数据集上验证有效性,以保证通用性,并在遥感图像上和传统算法作进一步对比分析。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 研究背景与意义

1.2 国内外研究现状

1.3 本文的工作与论文内容

第2章 遥感数据及其决策特征的选择、分析与评价

2.1 遥感图像数据源

2.2 决策特征的分析与选择

2.3 训练样本获取与地物类别

2.4 遥感图像分类结果评价办法

第3章 完全随机的特征选取与组合的随机森林

3.1 随机森林相关理论

3.2 完全随机的特征选取与组合的随机森林

3.3 算法的实验结果分析

3.4 本章小结

第4章 基于克隆选择的随机森林优化

4.1 克隆选择算法及其应用

4.2 选择性集成学习

4.3 选择性随机森林模型分析

4.4 基于克隆选择的随机森林优化算法模型

4.5 选择性随机森林的实验分析

4.6 本章小结

第5章 基于半监督的随机森林

5.1 基于EM的半监督随机森林

5.2 UCI实验分析

5.3 半监督的随机森林在遥感图像中的应用

5.3 本章小结

第6章 总结与展望

6.1 论文的创新点

6.2 论文研究工作总结

6.3 展望

参考文献

致谢

个人简历、在学期间发表的学术论文与研究成果