高分辨率影像面向对象分类特征选择方法研究

摘要

面向对象分类方法是适合于高空间分辨率影像信息提取的技术之一,主要包括最邻近和隶属度函数两种分类方法,具有小样本和高维特征的特点。其中,面向对象隶属度函数的模糊分类更是适合于研究范围较大影像区域。实际应用隶属度函数分类时,一般是针对研究区遥感影像的特点,根据经验知识,人为的分析和尝试极少量的特征,以分类结果好坏决定是否选用该特征。显然这种方式具有一定的主观性和盲目性,缺乏科学性和实用性,选取的特征难以保证分类的精度与速度。本文依托“十二五”计划中“高分数据土地利用要素快速提取技术”课题,针对隶属度分类的特征选择进行了以下研究。
　　1.提出了去除初始特征空间中无关特征的特征选择算法。该算法针对面向对象分类小样本的特点,分别从样本的随机选择、KNN去噪和迭代次数的确定三方面,改进国内外公认较好的特征选择算法Relief系列算法。本文利用该算法从初始63维特征中选择出25维相关特征。实验结果表明,改进 Relief算法,更适用小样本数据的面向对象分类特征选择,具有较强去除无关特征的能力,不限制数据类型的特点,可以初次降低特征维数,一定程度上避免了“维数灾难”,为后续的J-M距离提供高质量的相关特征;
　　2.提出了改进Relief算法与J-M距离组合模式的面向对象分类的特征选择算法。本算法特征选择的思想是:利用改进Relief算法获取相关特征集,在此基础上,再利用J-M距离获取基于相关集上类别间的分离度,针对每种地物类别将分离度高的特征选出。实验结果也表明,利用该特征选择算法,可以很容易获取,每类典型地物类型分层提取时对应的特征,提高面向对象隶属度函数分层分类时的效率;无论是从分类精度角度,还是从分类效率的角度都验证了本文特征选择算法的有效性。本文提出的特征选择方法可以有效选取特征,缩小特征范围,缩短了分类时间,具有一定的研究意义和应用价值;
　　3.设计与实现了面向对象分类的特征选择算法。为了验证上述方法的有效性和正确性,本文基于Microsoft.NET Framework2.0/COM技术,设计并实现了面向对象分类的特征选择算法。

目录

中文摘要

英文摘要

目录

1 绪论

1.1 课题背景及研究意义

1.2 国内外研究现状

1.3项目来源与经费支持

1.4 研究内容及技术路线

1.5 论文的体系结构

2 面向对象的遥感影像分类技术

2.1 影像分割

2.2 特征空间的构建

2.3 特征选择

2.4 面向对象分类

2.5 精度评价

2.6 本章小结

3 基于Relief算法和J-M距离的面向对象特征选择算法研究

3.1 Relief系列算法与J-M距离

3.2 改进的Relief算法

3.3 基于改进Relief算法和J-M距离的特征选择算法

3.4 实验及结果分析

3.5 本章小结

4 面向对象分类的特征选择算法实现

4.1 需求分析

4.2 功能模块设计

4.3 算法实现

4.4 本章小结

5 结论与展望

5.1 研究结论

5.2 研究展望

致谢

参考文献

附 录