遥感数据可靠性分类方法研究

摘要

遥感数据分类技术是从遥感数据中提取专题类别数据的一个重要手段，但由于自然环境的复杂性、遥感传感器及分类算法的局限性等原因，不确定性伴随遥感数据分类的整个过程，在利用遥感数据分类获取的信息中含有较大的不确定性。如何了解这些不确定性的本质，降低其对分类结果精度的影响，提高分类精度，建立可靠的遥感数据分类方法，是遥感数据分类研究的重要问题。为此，本文以遥感数据分类过程为出发点，研究分类过程中的主要环节的不确定性对分类精度的影响，提出遥感数据可靠性分类方法，提高最终分类结果精度。研究内容包括训练样本数据对遥感数据分类精度的影响、遥感数据可靠性分类模型和分类精度评价的可靠性样本抽样方法三个部分。研究成果将为提高遥感数据分类结果的精度提供一整套新的解决方案。具体研究工作主要包括：
　　（1）通过对典型区域遥感数据分类实验的研究，得出训练样本数量、质量及抽样方法与不同分类方法分类精度的响应关系：1）不同的分类方法对样本量的响应及同种分类方法对相同样本量的响应程度是不同的，且分类精度都存在一定程度的波动性，但达到一定数据的样本时，分类精度均值是相对稳定的；2）同一种分类方法利用在相同质量指标划分的不同质量等级的训练样本得到的分类精度不同；不同分类方法对在相同指标划分的同一质量等级的训练样本响应也是不同的；3）不同抽样方式下的多次抽样获取的训练样本得到的分类结果精度的平均值基本上都能够反映实际的分类精度，分层抽样方法要比非分层抽样方法好，点抽样方法要比群抽样方法好。
　　（2）针对混合像元是造成分类精度低的根本原因，将模糊拓扑理论引入到传统SVM，提出比传统SVM分类精度更高的FTSVM遥感影像分类方法。该方法利用提出的改进投票法得到每个像元的后验概率，然后根据最优阈值确定每个像元属于类别的内部、边界或外部，最后利用模糊拓扑中的空间邻域相关性对处于类别边界的像元进行重新分类，从而提高了混合像元的分类精度，最终提高了整个遥感数据分类精度。
　　（3）充分考虑不同分类器对每个像元的识别能力，提出了基于矩阵特征向量的多分类器组合方法，利用多个分类器的输出的每个像元的概率矢量构成一个概率矢量矩阵，然后根据每个像元的概率矩阵的特性，自适应调整每个分类器对此像元的权值，为分类性能好（分类不确定性小）的分类器赋予较大的权重，提高了分类精度和稳定性。
　　（4）提出融合光谱与空间特征的遥感数据多种分类方法：1）充分考虑像元之间的邻域信息，提出改进后的FCM图像分割模型MFCM，获取图像的同质区域并与基于像元的MLC分类结果采用投票法融合，获得了比传统的MLC方法分类精度高的分类结果图；2）根据地理学第一定理的邻近原则，离中心像元距离越远的像元的影响应越小，引入空间引力模型使用距离函数表达像元间的相互作用在距离上的非线性关系，对经典的MRF模型进行改进，提出了SAMRF模型，使得其更符合实际情况，增强了对类别边缘的描述能力，提高了分类精度和稳定性；3）在分类中融合了Gabor小波、GMRF和GLCM三种纹理特征，并提出了PAI、LW、Solidity和Extent四个像元形状特征，通过实验验证了纹理、形状特征及纹理融合、形状特征融合以及这两大类特征组合可以大大提高分类精度，且不同的纹理特征及形状特征对于不同的遥感影像中不同地类的分类精度的提高程度不同，在实际分类过程中，应将多个纹理和像元形状特征进行组合用于遥感影像分类，对于多特征组合分类，一般先要进行特征组合优化。
　　（5）提出了基于空间均衡抽样和基于聚类的空间分层抽样方法进行检验样本选择，保证了验证样本的均匀性和代表性，从而提高了精度评价结果的可靠性。
　　该论文有图104幅，表46个，参考文献183篇。

目录

封面

声明

致谢

中文摘要

英文摘要

Extended Abstract

目录

Contents

图清单

表清单

变量注释表

1 绪论

1.1 研究背景与选题依据（Research Background and Topic Selection）

1.2 国内外研究进展（Research Progress at Home and Abroad）

1.3 研究目标（Research Objectives）

1.4 研究内容与章节安排（Research Content and Chapter Arrangement）

2 训练样本数据对遥感数据分类精度的影响

2.1 训练样本数量对分类精度的影响（Effect of Training Samples Number on Remotely Sensed Image Classification Accuracy）

2.2 训练样本质量对分类精度的影响（Effect of Training Samples Quality on Remotely Sensed Image Classification Accuracy）

2.3 训练样本抽样方法对分类精度的影响（Effect of Training Samples Sampling Methods on Remotely Sensed Image Classification Accuracy）

2.4 本章小结（Summary）

3 基于模糊拓扑支持向量机的遥感数据分类

3.1 支持向量机（Support Vector Machine）

3.2 基于FTSVM的遥感数据分类模型（FTSVM Model for Remotely Sensed Image Classification）

3.3 实验结果与分析（Experiment Results and Analysis）

3.4 本章小结（Summary）

4 基于自适应权值的多分类器组合遥感数据分类

4.1 标准的多分类器组合（Normal Multiple Classifiers Combination）

4.2 基于矩阵特征值自适应权值多分类器组合模型（Matrix Eigenvalues Based Adaptive Weight Multiple Classifiers Combination）

4.3 实验结果与分析（Experiment Results and Analysis）

4.4 本章小结（Summary）

5 融合光谱与空间特征的遥感数据分类

5.1 基于MFCM分割的遥感影像分类（Remotely Sensed Classification Based on MFCM Segmentation）

5.2 基于空间引力模型的MRF遥感数据分类（Spatial Attraction based Markov Random Field for Remotely Sensed Image Classification）

5.3 基于光谱、纹理和像元形状特征融合的遥感数据分类（Remotely Sensed Image Classification Based on the Fusion of Spectral, Texture and Pixel Shape Features）

5.4 本章小结（Summary）

6 基于可靠性抽样方法的遥感数据分类精度评价

6.1 基于空间均衡抽样的遥感数据分类精度评价（Remote Sensed Image Classification Accuracy Assessment Using SBS Method）

6.2 基于聚类空间分层抽样的遥感数据分类精度评价（Remote Sensed Image Classification Accuracy Assessment Using Cluster-based Spatial Stratified Sampling Method）

6.3 本章小结（Summary）

7 结论与展望

7.1 研究结论（Conclusions）

7.2 论文创新点（Innovations）

7.3 研究展望（Feature Work）

参考文献

作者简历

学位论文数据集