基于集成学习和空间信息的高光谱遥感影像分类方法

摘要

随着遥感技术的飞速发展，高光谱遥感影像的光谱分辨率越来越高，且将传统的图像维和光谱维信息融为一体，具有图谱合一的特点。虽然这些特点使其在分类方面有明显的优势，但是同时也具有数据量大，信息冗余等缺点。对于许多常规分类器而言，需要足够多的训练样本，才能获得较好的分类精度。人工标记样本的代价较高，如何设计算法，使得在小样本的情况下，能获得可接受的分类精度是非常值得研究的。本文关注的就是如何在目前已有方法的基础上，尽量在训练样本较少的情况下，提高高光谱影像的分类精度。集成学习，即组合多分类器方法，能够改善单个分类器的不足。目前已有许多学者将集成学习用于高光谱遥感影像分类。针对这些方法大多数只利用了光谱信息而忽略了其丰富的空间信息，本文提出了几种集成学习和空间信息相结合的分类方法。具体研究内容如下：
　　（1）提出了一种基于集成学习的空谱结合的高光谱遥感影像分类方法，首先用多数投票法将每一个弱分类器的结果与分割结果进行融合，然后将所有融合后的结果再用多数投票法融合得到最后的分类映射结果。该方法由于在集成学习中引入空间信息，使每个子集的分类精度都有提升，从而使最后的分类精度得到提升。
　　（2）提出了一种基于数学形态学和集成学习的高光谱遥感影像分类方法。在集成学习中，将数学形态学提取的空间信息，和随机特征选择的光谱信息堆叠在一起作为每个弱SVM（支持向量机）分类器的输入，将所有弱分类器的结果用多数投票法融合，这个阶段充分利用了空间信息和集成学习的优势，克服了SVM的休斯现象，极大地提高了分类精度。最后再将得到的结果与图像分割的结果用多数投票法融合，进一步提升分类精度。实验表明该方法在小训练样本的情况下，却能取得很高的分类精度。

目录

封面

声明

中文摘要

英文摘要

插图索引

表格索引

符号对照表

缩略语对照表

目录

第一章 绪论

1.1研究背景及意义

1.2国内外研究现状

1.3论文的主要工作与内容安排

第二章 基于集成SVM的高光谱遥感影像分类

2.1引言

2.2高光谱遥感影像的数据特征

2.3支持向量机分类方法

2.4集成学习概述

2.5基于集成学习和SVM的高光谱遥感影像分类

2.6本章小结

第三章 基于集成学习和空间信息的高光谱遥感影像分类

3.1引言

3.2空谱结合方法

3.3基于FODPSO的多阈值分割算法

3.4基于集成学习和空间信息的高光谱影像分类

3.5本章小结

第四章 基于形态学和集成SVM的高光谱遥感影像分类

4.1引言

4.2数学形态学理论

4.3基于数学形态学和集成SVM的高光谱影像分类

4.4融合分类图和分割图（RFS+MP+seg）

4.5本章小结

第五章 总结与展望

5.1论文总结

5.2工作展望

参考文献

致谢

作者简介