基于投票法的多分类器集成遥感影像分类技术

摘要

遥感影像为地理国情监测提供了快速,实时的大范围的地理信息来源。如何从大量的影像数据中提取地物是地理国情监测所面临的重要问题。随着对遥感影像分类精度要求的不断提高,遥感影像分类技术越来越受到业界的广泛关注。然而由于分类使用算法的侧重点不同,原理不同,至使分类器之间存在差异。多分类器集成是一种利用多个分类器来解决同一分类问题的技术,可以很好的利用不同分类器的各自特点,通过互相组合来弥补单个分类器的不足,改善系统的学习性能。目前,将多分类器集成应用于遥感影像分类已成为提高遥感影像分类精度研究热点之一。
　　基分类器之间存在差异且彼此之间能够互补,是实现多分类器集成的关键,如何选择基分类器,如何实现基分类器间的有效组合是研究多分类器集成的主要问题。为此文中对基于投票方法的多分类器集成做了主要研究。
　　本文的主要研究内容及成果包括如下几个方面:
　　1、系统介绍了多分类器集成的产生背景和研究进展,并总结归纳了目前研究所遇到的主要问题。
　　2、详细阐述了多分类器集成的基本理论和工作机理,并在此基础上,对分类器之间的差异性进行了探究,得出多分类器集成性能的提升取决于基分类器间的差异程度以及其互补性。同时研究了分类器间差异性的度量指标,包括成对差异性指标和非成对差异性指标,如熵、KW-差异、Kappa度量等,为判断分类器集成性能提供了一般的方法。
　　3、对遥感影像分类一般算法和面向对象分类技术做了研究:分析了各算法的优缺点以及实现方法,并利用散点图和特征选择器对决策树构建做了创新;研究了面向对象遥感影像分类技术,并总结出面向对象遥感影像分类技术的一般流程;最后通过使用不同算法做面向对象遥感影像分类实验验证各分类器之间的互补性。
　　4、对基于投票法多分类器集成技术基本原理和方法做了深入探究,并从改变训练集组成结构和使用不同分类器两种方法入手进行分类器投票集成:将AdaBoosting算法做了改进,通过样本选取来训练适应于不同类别的基分类器,使用“专家投票”的方法完成分类器集成;在先验知识的基础上,以不同的分类算法模型作为基分类器,提出基于识别性能矩阵投票集成(VRPM)、基于类别权重的加权投票集成(VCW)和基于全信息相关度的多分类器投票集成(VAIR)三种分类器投票集成算法。
　　5、通过实验,验证分类器差异性与多分类器集成性能间的关系;使用分类器间差异性度量指标,获取了一些较优的分类器组合方案,并用 VRPM、VCW、VAI R和改进的AdaBoosting算法对遥感影像分类,证明基于投票方法的多分类器集成技术提高遥感影像分类精度的有效性和可行性。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 研究的背景和意义

1.2 国内外研究动态

1.3 存在的问题

1.4 论文的总体结构

第2章 分类器集成基本原理

2.1机器学习与图像分类技术

2.2 分类器集成关键技术和方法

2.3 多分类器集差异性度量

2.4 多分类器集成精度评价方法

2.5 小结

第3章 遥感影像分类方法研究

3.1 遥感影像分类算法研究

3.2面向对象分类技术

3.3 实验分析

3.4 小结

第4章 基于投票方法的多分类器集成研究

4.1 投票法多分类器集成的基本原理

4.2 改进的AdaBoosting算法分类器加权投票集成

4.3 基于类别信息分类器投票集成

4.4 基于全信息相关度的多分类器投票集成

4.5 小结

第5章 实验分析5.1 实验目的

5.2 数据准备

5.3 实验流程

5.4 分析与结论

第6章 结论与展望

6.1 主要工作和结论

6.2 创新点

6.3 展望

参考文献

攻读学位期间的研究成果