高分辨率遥感影像对象分类方法研究及其城乡规划监测应用--《中国农业大学》2014年博士论文
高分辨率遥感影像对象分类方法研究及其城乡规划监测应用
【摘要】：随着遥感技术的发展,更高空间分辨率的航天遥感数据产品不断出现,以及航空遥感技术的日臻成熟,为城乡规划遥感监测提供了有效而适用的数据源。本文以WorldView-Ⅱ卫星遥感数据结合高分辨率的航空遥感数据,针对我国迅速城市化过程中城乡规划与建设的监测问题,开展适合高空间分辨率遥感影像的面向对象特征构建、特征选择和城市地物分类等技术研究,并进一步应用于城乡规划的控制性详细规划监测。主要研究内容与结果如下：
(1)在影像多尺度分割生成对象的基础上,研究了对象特征构建算法,重点研究了城市地物较突出的纹理特征和形状特征构建算法。首先研究了基于半变异函数的纹理计算尺度问题,并进一步研究了基于灰度共生矩阵的对象纹理特征计算算法。针对城市建筑地物形状规整的特点,研究了多种形状特征计算算法。
(2)分割后的高分遥感影像对象有光谱、纹理和形状等多种特征的特点,众多特征参与分类,分类效率会降低,但分类精度也未必能提高。针对面向对象分类有益特征选择问题,研究了对象特征选择的技术流程,首先基于改进的ReliefF去除无关特征,再利用特征间的互信息初步去除冗余特征,形成特征粗集,最后利用遗传算法,以类内、类间距离为适应度函数,对影像对象分类的最优特征子集进行搜索和评价,最终得到有益于城乡地物对象分类的特征子集。
(3)针对面向对象分类的小样本问题,结合SVM适合小样本的特点,本文针对基于SVM的面向对象分类中的部分环节进行了研究。针对径向基核函数SVM的C和γ参数对分类精度影响大的问题,在前人研究的基础上,结合城市监测的需要,研究了三步搜索法的参数优化算法。SVM是针对二分类问题,本文设计了多类分类的流程,即在投票法SVM分类的基础上,进一步利用最近邻法,对票数相同或相差一票的情况进一步分类。最后,以北京市某2个区域为研究区,以高分辨率的WorldView-Ⅱ航天卫星遥感影像为数据源,辅以研究区航空遥感影像,构建遥感城乡土地利用分类体系。在影像分割的基础上,利用本文研究的特征构建算法、特征优选技术流程,以及基于改进SVM分类算法,完成研究区的城市地类分类。最后以研究区的城市规划图为依据,对该区域的城市规划执行情况进行监测和评价。
【关键词】：
【学位授予单位】：中国农业大学【学位级别】：博士【学位授予年份】：2014【分类号】：P237【目录】：
摘要4-5Abstract5-7目录7-8图表目录8-10第一章 绪论10-20 1.1 研究意义10 1.2 国内外研究现状10-17 1.3 论文研究目标和主要内容及技术路线17-18 1.4 论文章节安排18-20第二章 研究区与数据及数据预处理20-26 2.1 研究区概况20 2.2 研究区数据20-23 2.3 遥感影像处理23-25 2.4 本章小结25-26第三章 高分辨遥感影像对象特征表达算法研究26-41 3.1 影像多尺度分割对象生成26-27 3.2 对象特征计算算法研究27-40 3.3 本章小结40-41第四章 遥感影像对象特征选择方法研究41-61 4.1 对象特征选择概述41 4.2 特征选择相关理论方法基础41-53 4.3 面向对象分类特征选择方法53-55 4.4 基于ReliefF的无关特征与筛除55-56 4.5 基于特征间互信息的冗余特征剔除56 4.6 基于遗传算法的特征子集选择56-60 4.7 本章小结60-61第五章 基于SVM城乡地物类型识别及城乡规划监测应用61-89 5.1 SVM基本原理61-63 5.2 SVM参数优选63-68 5.3 多类SVM68-78 5.4 高分遥感信息提取在城乡规划监测应用示例78-88 5.5 本章小结88-89第六章 结论与展望89-91 6.1 研究总结与结论89 6.2 创新点89-90 6.3 研究展望90-91参考文献91-101致谢101-102作者简介102
欢迎：、、)
支持CAJ、PDF文件格式
【参考文献】
中国期刊全文数据库
冯建辉;杨玉静;;[J];北京测绘;2007年03期
陈述彭,谢传节;[J];测绘科学;2000年01期
马晶;余洁;张继贤;张永红;毕强;王广亮;杨景辉;龙艳;;[J];测绘科学;2007年02期
陈启浩;高伟;刘修国;;[J];测绘科学;2008年01期
王祖伟,秦其明;[J];测绘通报;2002年03期
巩丹超,张永生;[J];测绘通报;2002年10期
徐芳;[J];测绘通报;2004年02期
崔丽娜;龚威平;郝惠;;[J];城市发展研究;2012年06期
胡亚明,王明历;[J];城市勘测;2005年03期
于静;程鸿;;[J];城乡建设;2007年03期
中国博士学位论文全文数据库
张晓斌;[D];上海大学;2008年
梁松;[D];中国矿业大学（北京）;2010年
张桂峰;[D];武汉大学;2010年
【共引文献】
中国期刊全文数据库
冀卫兴;陈忠海;方筝;;[J];四川建筑科学研究;2010年05期
李东升;;[J];安防科技;2010年01期
蔡薇;郭洪海;隋学艳;杨丽萍;;[J];山东农业科学;2009年05期
程一斌,汪松,任彬;[J];安徽大学学报(自然科学版);2001年02期
张坤,罗立民,舒华忠,杨芳;[J];安徽大学学报(自然科学版);2005年04期
王东霞;张楠;路晓丽;;[J];安徽大学学报(自然科学版);2009年04期
纪启国;;[J];安徽职业技术学院学报;2008年01期
陶秀凤,唐诗忠,周鸣争;[J];安徽工程科技学院学报(自然科学版);2004年02期
杨帆;;[J];安徽农学通报;2007年23期
焦俊;;[J];安徽农学通报;2008年18期
中国博士学位论文全文数据库
周兴东;[D];山东科技大学;2010年
母丽华;[D];哈尔滨工程大学;2010年
王兴梅;[D];哈尔滨工程大学;2010年
梁洪;[D];哈尔滨工程大学;2010年
殷志伟;[D];哈尔滨工程大学;2009年
朱广平;[D];哈尔滨工程大学;2009年
汤春瑞;[D];哈尔滨工程大学;2009年
孔凡芝;[D];哈尔滨工程大学;2009年
李晚龙;[D];哈尔滨工程大学;2010年
程军娜;[D];中国海洋大学;2010年
中国硕士学位论文全文数据库
李硕;[D];华中农业大学;2010年
展慧;[D];华中农业大学;2010年
韩筱婕;[D];华中农业大学;2010年
孙涛;[D];南京医科大学;2010年
杜二玲;[D];河北大学;2007年
朱杰;[D];河北大学;2007年
赵永刚;[D];南昌航空大学;2010年
李金华;[D];山东科技大学;2010年
徐芳芳;[D];山东科技大学;2010年
胡红;[D];山东科技大学;2010年
【二级参考文献】
中国期刊全文数据库
张崚,路威;[J];安徽工程科技学院学报;2002年02期
梁西陈;腾康开;;[J];安徽农业科学;2009年11期
秦其明,陆荣建;[J];北京大学学报(自然科学版);2000年06期
曹五丰,秦其明;[J];北京大学学报(自然科学版);1998年Z1期
马友平;冯仲科;何友均;张志华;;[J];北京林业大学学报;2007年S2期
陈雪,戴芹,马建文,李小文;[J];北京师范大学学报(自然科学版);2005年01期
高龙华;[J];重庆邮电学院学报(自然科学版);2005年02期
车生泉,宋永昌;[J];城市环境与城市生态;2001年02期
赵俊华;[J];城市环境与城市生态;1994年04期
朱光良;[J];测绘工程;2000年02期
中国博士学位论文全文数据库
马笑潇;[D];重庆大学;2002年
张燕平;[D];安徽大学;2003年
黄慧萍;[D];中国科学院研究生院（遥感应用研究所）;2003年
张莉;[D];西安电子科技大学;2002年
冯德俊;[D];西南交通大学;2004年
刘仁金;[D];安徽大学;2005年
张晓东;[D];武汉大学;2005年
巫兆聪;[D];武汉大学;2004年
张路;[D];武汉大学;2004年
钟家强;[D];国防科学技术大学;2005年
中国硕士学位论文全文数据库
李国胜;[D];辽宁工程技术大学;2002年
顾文俊;[D];中国科学院研究生院（遥感应用研究所）;2003年
柴艳妹;[D];西北工业大学;2004年
赵立军;[D];中国农业大学;2004年
黄浩;[D];河海大学;2005年
彭壮志;[D];武汉大学;2005年
朱瑞芳;[D];辽宁工程技术大学;2005年
牛肖潇;[D];武汉理工大学;2006年
李红;[D];吉林大学;2006年
张文华;[D];东北林业大学;2006年
【相似文献】
中国期刊全文数据库
陈海鹏,董明;[J];测绘通报;2005年03期
杜国庆,龚越新,虞继进,史照良;[J];测绘信息与工程;2005年02期
何报寅;徐贵来;杜耘;薛怀平;蔡述明;;[J];华中师范大学学报(自然科学版);2008年03期
孙灏;杜培军;赵卫常;;[J];地理与地理信息科学;2009年01期
周盛勇;;[J];科技资讯;2010年24期
杨晓梅,杜云艳,陈秀法;[J];海洋学报(中文版);2003年06期
柴茂;;[J];山西煤炭管理干部学院学报;2006年01期
赵书河,冯学智,都金康;[J];测绘通报;2003年03期
张剑清,张勇,程莹;[J];武汉大学学报(信息科学版);2005年08期
王海霞;王昕;徐抒岩;闫得杰;;[J];光学技术;2006年S1期
中国重要会议论文全文数据库
付军;;[A];中国地球物理学会第二十七届年会论文集[C];2011年
李艳芳;王生;;[A];第十七届中国遥感大会摘要集[C];2010年
朱晓铃;邬群勇;;[A];《测绘通报》测绘科学前沿技术论坛摘要集[C];2008年
罗震;杨存建;李小文;;[A];《测绘通报》测绘科学前沿技术论坛摘要集[C];2008年
赵书河;王培法;肖鹏峰;冯学智;;[A];中国地理学会2006年学术年会论文摘要集[C];2006年
官小平;关泽群;;[A];第十三届全国遥感技术学术交流会论文摘要集[C];2001年
张剑清;郑顺义;张勇;张宏伟;李治江;;[A];第十四届全国遥感技术学术交流会论文摘要集[C];2003年
胡磊;;[A];第十三届华东六省一市测绘学会学术交流会论文集[C];2011年
张素莉;潘欣;李晓峰;孟祥萍;;[A];第13届中国系统仿真技术及其应用学术年会论文集[C];2011年
刘佶鑫;孙权森;罗楠;;[A];中国遥感应用协会2010年会暨区域遥感发展与产业高层论坛论文集[C];2010年
中国重要报纸全文数据库
吴宏林;[N];华兴时报;2010年
李薇;[N];中国测绘报;2010年
顾波 白晶石;[N];国家电网报;2010年
新宇;[N];中国测绘报;2009年
周信炎;[N];中国测绘报;2009年
杜斌;[N];中国测绘报;2008年
王瑜婷 钟勇;[N];中国测绘报;2008年
国家测绘局测绘发展研究中心
徐磊;[N];中国测绘报;2010年
崔静;[N];中国改革报;2009年
孙杰 林宗坚 崔红霞;[N];中国测绘报;2003年
中国博士学位论文全文数据库
康俊锋;[D];浙江大学;2011年
李海霞;[D];中国农业大学;2014年
王琰;[D];武汉大学;2012年
何原荣;[D];中南大学;2011年
陈杰;[D];中南大学;2010年
祝锦霞;[D];浙江大学;2011年
陶超;[D];华中科技大学;2011年
陶超;[D];华中科技大学;2012年
Rami Badawi（巴达卫）;[D];南京大学;2012年
陈曦;[D];上海交通大学;2011年
中国硕士学位论文全文数据库
康萌萌;[D];上海交通大学;2013年
王波;[D];江西理工大学;2011年
李晶莹;[D];青海师范大学;2011年
陈洪;[D];中南大学;2013年
王浩;[D];北京交通大学;2013年
宋亚斌;[D];中南林业科技大学;2012年
潘旋;[D];西安电子科技大学;2013年
祝振江;[D];中国地质大学（北京）;2010年
焦腾;[D];湖南大学;2013年
崔世勇;[D];中国测绘科学研究院;2009年
&快捷付款方式
&订购知网充值卡
400-819-9993
《中国学术期刊（光盘版）》电子杂志社有限公司
地址：北京清华大学 84-48信箱 知识超市公司
出版物经营许可证 新出发京批字第直0595号
同方知网数字出版技术股份有限公司
订购热线：400-819-82499
在线咨询：
传真：010-
京公网安备74号您所在位置： &
 &  & 
基于谱回归判别分析的高光谱遥感影像分类方法研究.pdf84页
本文档一共被下载：
次 ,您可免费全文在线阅读后下载本文档
文档加载中...广告还剩秒
需要金币：100 &&
你可能关注的文档：
··········
··········
基于谱回 归判别 分析的 高 光谱遥感 影像分 类
重庆大学硕士学位论文
学生姓名 : 吴军 院
指导教师 : 潘银 松
业: 仪器 科学与 技术
学科门类 : 工
重庆大学 光电 工程学院
二 O 一三 年 五 月
Study of Hyperspectral Remote Sensing
Imagery Classification based on Spectral
Regression Discriminant Analysis
A Thesis Submitted to Chongqing Universityin Partial Fulfillment of the Requirement for the
Master’s Degree of Engineering
Wu Junyuan
Supervised by Ass Prof. Pan Yinsong
Specialty :Instrument Science and TechnologyCollege of Opto-electronic Engineering of ChongqingUniversity, Chongqing, China
在高光谱遥感影像的分类中,降维算法越来越受到重视,而降维的主要目的
就是获取样本的有效判别特征。就降维而言,存在一些主流的流形学习算法,如
局部线性 嵌入LLE 算法、等 距映射ISOMAP 算法以及 拉普拉斯 特征映 射LE 算
法。然而,许多 流形学习算法存在一个不足,即需要计算冗余矩阵的特征分解问
题,且这种计算耗时,耗内存。 论文介绍一个新的降维算法,即谱回归判别分析
SRDA 算法。
论文以 SRDA 算法为核心, 首先介绍了高光谱 遥感影像分类领域的一些基本
知识以及研究现状;其次,对 SRDA 算法的原 理以及算法的流程进行具体阐述;
再 次 ,结 合 其他 一些 主 流的 降维 算 法, 如 主成分 分 析PCA 算 法 、核 主 成分 分 析
KPCA 算 法 、 邻 域 保持 嵌 入NPE 算法 以 及 线性 判 别 分析LDA 算法 , 对 实际 情
况下的高光谱遥感影像数据进行降维处理, 然后利用 K 近邻分类KNN 算 法将降
维后的数据进行分类,并计算各类算法下的分类精度,绘制识别率曲线;最后,
为了进一步验证 SRDA 算法的优势, 使用三种 不同的分类器对降维后的数据进行
正在加载中，请稍后...高分辨率可见光遥感图像港口及港内目标识别方法研究--《中国科学技术大学》2009年硕士论文
高分辨率可见光遥感图像港口及港内目标识别方法研究
【摘要】：
目前,遥感信息处理技术在很多领域已经得到了成熟、广泛的应用,其中一个很重要的方面,就是对港口的监控以及港口内船舶目标的监测。港口作为联系水陆的纽带,是供船舶停泊、旅客上下、货物装卸的地方,它是水陆运输的枢纽,随着社会的进步、贸易的发展、客运往来频繁,为了有效地实现港口交通监管、合理调配港口资源、打击走私等,对港口区域进行监控有着十分重要的意义,这关系到港口的利用和管理、经济的发展、国家的安全等多个方面。
本文的主要任务是利用可见光遥感图像,监控某些重要的港口。为此,在充分分析可见光遥感图像港口目标成像特点的基础上,研究和拟定了基于港口先验信息的目标检测预识别方法,先在大幅遥感图像中确定所需监控的港口目标,在图像中覆盖的范围,然后,根据相应的港口结构位置信息,检测并识别港内的船舶目标。
以SIFT特征为代表的图像局部特征,在图像处理和模式识别等领域得到成功的应用,本文利用港口先验信息,采用SIFT特征匹配方法,定位大幅遥感图像中的特定港口目标,并根据特征匹配所得变换参数,实现港口先验结构信息在遥感图像中的精确匹配,避免了传统方法中的海陆分割,较好地解决了特定港口目标的识别及港内舰船预识别问题。
在港口船舶目标检测方面,本文充分利用港口的码头布局特点,提取港内船舶目标分布区域的指示信息,即港口结构信息,在该信息的指引下,快速划定港口中检测船舶的感兴趣区域(ROI),并准确检测出船舶目标,特别对港内并排停靠的船舶,提出基于轮廓区域统计属性的目标切分方法;在对船舶目标的识别上,采取先分类再进一步详细识别的分层控制策略,并把基于图像局部特征的目标识别应用到遥感图像处理上。
【关键词】：
【学位授予单位】：中国科学技术大学【学位级别】：硕士【学位授予年份】：2009【分类号】：TP391.41【目录】：
Abstract5-9
第一章 绪论9-15
1.1 遥感技术9-10
1.1.1 遥感的基本概念9
1.1.2 遥感技术的发展9-10
1.1.3 遥感技术的应用10
1.2 可见光遥感图像及港口成像特点分析10-12
1.2.1 可见光遥感图像特点10-11
1.2.2 可见光遥感图像中港口成像特点11-12
1.3 港口及港内目标识别技术的研究背景和意义12-14
1.4 本文内容安排14-15
第二章 港口及港内目标识别系统方案设计15-20
2.1 目标识别系统的组成及识别算法研究现状15-16
2.2 遥感图像目标识别面临的挑战16-17
2.3 港口及港内船舶目标识别关键技术分析17-18
2.4 港口及港内船舶目标识别系统方案设计与分析18-20
2.4.1 系统方案设计18-19
2.4.2 主要模块功能分析19-20
第三章 可见光遥感图像中港口检测和识别20-37
3.1 港口目标的特点20-21
3.2 港口目标识别研究现状21-22
3.3 SIFT特征22-30
3.3.1 图像多尺度表示23
3.3.2 SIFT特征的提取与描述23-25
3.3.3 SIFT特征匹配25-28
3.3.4 SIFT特征匹配实验28-30
3.4 港口目标识别基本策略30-33
3.4.1 港口定位策略31
3.4.2 港口信息匹配策略31-33
3.5 港口目标先验知识33-35
3.5.1 结构信息的空间数据结构33-34
3.5.2 结构信息数据的存储形式34-35
3.6 港口目标定位及信息匹配结果35-37
第四章 可见光遥感图像中港口船舶目标检测和识别37-63
4.1 基于可见光遥感图像的船舶目标检测技术现状37-39
4.1.1 基于直方图的分割检测方法37
4.1.2 基于分形模型和模糊理论的检测方法37-38
4.1.3 基于特征域的船舶目标检测算法38-39
4.2 港口船舶目标特征分析39-43
4.2.1 船舶目标检测特征分析39-40
4.2.2 船舶目标识别特征分析40-41
4.2.3 船舶目标主要特征参数分析41-43
4.3 港口船舶目标检测43-55
4.3.1 船舶目标检测流程43-44
4.3.2 依据港口结构信息的ROI子图像获取44-45
4.3.3 感兴趣区域子图像预处理45-47
4.3.4 感兴趣区域子图像分割47-49
4.3.5 并靠船舶目标切分49-52
4.3.6 感兴趣区域子图像目标检测结果52-53
4.3.7 基于港口结构信息船舶目标检测结果53-55
4.4 船舶目标识别55-63
4.4.1 船舶目标识别基本思路55
4.4.2 基于支持向量机的船舶目标分类55-60
4.4.3 基于局部特征的船舶目标识别60-63
第五章 结束语63-65
5.1 工作总结63-64
5.2 不足与展望64-65
参考文献65-69
在读期间发表的学术论文与参加的科研工作70
欢迎：、、)
支持CAJ、PDF文件格式
【相似文献】
中国期刊全文数据库
陈克;尹东;马婧;张开华;;[J];中国科学技术大学学报;2009年08期
邢坤;付宜利;;[J];电子与信息学报;2009年06期
陈雁;龚育昌;;[J];光电工程;2010年12期
郭丽艳;徐海樵;王元斌;;[J];火力与指挥控制;2010年06期
张志龙;张焱;沈振康;;[J];电子学报;2010年09期
高鸿启;王寅龙;沈学举;甘厚吉;;[J];装备制造技术;2009年11期
;[J];;年期
;[J];;年期
;[J];;年期
;[J];;年期
中国硕士学位论文全文数据库
张振;[D];中国科学技术大学;2009年
吴建华;[D];南京理工大学;2005年
&快捷付款方式
&订购知网充值卡
400-819-9993
《中国学术期刊（光盘版）》电子杂志社有限公司
地址：北京清华大学 84-48信箱 知识超市公司
出版物经营许可证 新出发京批字第直0595号
同方知网数字出版技术股份有限公司
订购热线：400-819-82499
在线咨询：
传真：010-
京公网安备74号面向遥感目标识别耦合GA与SVM的特征优选方法29-第2页
上亿文档资料，等你来发现
面向遥感目标识别耦合GA与SVM的特征优选方法29-2
SUNNingetal.:CouplingGAw；933；4.4Methodsforcomparisona；specification；Toverifytheeffectiveness；4.5Experimentalresultsan；ExperimentalresultsTable；0.64%accordingly.Fromthe；Comparisonof
SUN Ning et al.: Coupling GA with SVM for feature selection in high-resolution remote sensing target recognition933 4.4
Methods for comparison and some relevantspecificationTo verify the effectiveness of the proposed method, the fol-lowing methods were used for comparison: (1) GA coupled with minimum (2) PCA (principle compo-nent analysis) classical GA coupled with SVM; (3) empirical method. For PCA, the principal components extracted should at least represent 95% of original data information. The difference between (3) and the proposed method was as follows, the former did not use the individual optimization of the selec-tion mechanism, the foreign individual access mechanism, and the population reset mechanism as well. Except (1), all methods utilized SVM as classifier.4.5
Experimental results and analysisExperimental results Table 3 and Table 4 showed that for two test images the optimal feature subset obtained from the proposed method contains averagely 9.65 and 8.25 features respectively, common features that all 20 times experiments outputted were listed in Fig. 4 (b) and Fig. 5 (b) respectively, recognition accuracy varied from 98.48% to 96.59%, and from 93.31% to 90.66% respectively, with an average accuracy as 97.86% and 92.24%, the standard deviation as 0.41% and 0.64% accordingly. From the above results, we can learn that our proposed method was a robust one with high accuracy at least for building recognition. The result are shown in Table 5 and Table 6.Comparison of the proposed GA-SVM method with classi-cal ones was shown in Table 7. From this table, we note that recognition accuracy was quite low―from 50.76% to 68.08% while using all the features. This number was slightly higher when utilizing PCA for feature dimension reduction. Because of the presence of premature convergence effect, and the rela-tive homogeneous characteristic of targets, the classical GA method did not have an obvious advantage over the empirical method (using spectral features by experience). Comparing methods listed in Table 3 and Table 4, we can learn that by utilizing the proposed method recognition accuracy was im-proved significantly. When coupling GA with the minimum distance classifier, the recognition accuracy was lower com-pared with the proposed GA-SVM method, which means that SVM is a good classifier for coupling. In addition, the proposed one outperformed the method by coupling classical GA with SVM because the improved GA (used in the former) can always guide GA’s evolution direction towards the improvement of target recognition accuracy, and reduce its risk of premature convergence as well.Table 3
Final recognition accuracy and corresponding feature number of twenty experiments (1st test image)Experiment No. Optimal features number Recognition accuracy/% Experiment No. Optimal features number Recognition accuracy/%1st 112nd 93rd 94th 125th 126th 117th 108th 89th 910th 897.73 97.73 98.30 98.48 98.11 98.11 98.11 97.73 97.73 98.30 11th 12th 13th 14th 15th 16th 17th 18th 19th 20th 8 10 6 10 10 11 10 8 12 9 97.54 98.30 96.59 97.54 97.54 97.54 98.11 97.73 98.11 97.92Table 4
Final recognition accuracy and corresponding feature number of twenty experiments (2nd test image)Experiment No. Optimal features number Recognition accuracy/%Experiment No. Optimal features number Recognition accuracy/%1st 92nd 123rd 84th 85th 96th 107th 78th 89th 710th 1293.03 92.68 92.61 92.20 93.17 92.13 91.99 91.50 93.17 93.31 11th 12th 13th 14th 15th 16th 17th18th 19th 20th 6799691048791.64 92.20 91.57 92.47 92.61 92.06 91.92 91.78 92.13 90.66 Fig. 4
Feature selection result of 1st test image(a) Feature list with
(b) Features included in over 10experiments results Fig. 5
Feature selection result of 2nd test image(a) Feature list with
(b) Features included in over 10experiments results934Journal of Remote Sensing
List of selected features in each experiment using 1st test imageExperiment No.Mean brightness_Band1 Mean brightness_Band2 Mean brightness_Band3 Mean brightness_Band4Standard deviation of brightness_Band1 Standard deviation of brightness_Band2 Standard deviation of brightness_Band3 Standard deviation of brightness_Band4Perimeter AreaBounding rectangle width Bounding rectangle lengthBounding rectangle’s principal directionShape index Compactness ASM_Band1 ASM_Band2 ASM_Band3 ASM_Band4 IDM_Band1 IDM_Band2 IDM_Band3 IDM_Band4 ENTROPY_Band1 ENTROPY_Band2 ENTROPY_Band3 ENTROPY_Band4 CONTRAST_Band1 CONTRAST_Band2 CONTRAST_Band3 CONTRAST_Band41 2 3◎ ◎ ◎ ◎ ◎ ◎
◎◎ ◎ ◎ ◎
◎◎◎◎◎◎
◎4◎◎◎◎
◎5◎◎◎◎ ◎◎
◎6◎◎◎◎
◎ ◎7◎◎◎◎
◎9◎◎◎◎
◎10◎◎◎
◎◎11◎◎◎◎
◎12◎◎◎◎
◎◎13◎◎◎
◎◎14 15 16 17 18◎ ◎ ◎
◎ ◎◎ ◎ ◎
◎◎ ◎ ◎ ◎
◎ ◎ ◎◎ ◎ ◎
◎◎◎◎◎
◎19◎◎◎
◎ ◎◎◎ ◎20◎◎◎◎
◎◎ denotes the feature is selected in the corresponding experiment. Table 6
List of selected features in each experiment using 2nd test imageExperiment No. Mean brightness_Band1 Mean brightness_Band2 Mean brightness_Band3 Mean brightness_Band4 Standard deviation of bright-ness_Band1Standard deviation of bright-ness_Band2Standard deviation of bright-ness_Band3Standard deviation of bright-ness_Band4 Perimeter AreaBounding rectangle width Bounding rectangle length Bounding rectangle’s principaldirection Shape index Compactness ASM_Band1 ASM_Band2 ASM_Band3 ASM_Band4 IDM_Band1 IDM_Band2 IDM_Band3 IDM_Band4 ENTROPY_Band1 ENTROPY_Band2 ENTROPY_Band3 ENTROPY_Band4 CONTRAST_Band1 CONTRAST_Band2 CONTRAST_Band3 CONTRAST_Band41 2 3 4 5 6 7 8 9◎ ◎ ◎
◎◎ ◎ ◎
◎ ◎ ◎ ◎◎ ◎ ◎
◎◎ ◎ ◎
◎◎ ◎ ◎
◎ ◎◎◎◎
◎◎◎◎◎
◎10◎◎◎
◎ ◎◎◎◎
◎◎11◎◎◎
◎12◎◎◎
◎13◎◎◎
◎14 15 16 17 18◎ ◎ ◎
◎◎ ◎ ◎
◎◎ ◎ ◎
◎◎ ◎ ◎
◎19◎◎◎
◎20◎◎◎
◎◎◎ denotes the feature is selected in thea corresponding experiment.SUN Ning et al.: Coupling GA with SVM for feature selection in high-resolution remote sensing target recognition935 Table 7
Comparison of GA-SVM and other feature selection methods/%Feature selection method Empirical method(using spectral features by experience) No selection (using all features)Principle component analysis Classical GA coupled with SVM1st test imageUndetectedWrong detectedError rateAccuracyUndetected2nd test image Wrong detected Error rateAccuracy3.03 9.85 12.88 3.76 6.97 10.73 89.27 46.21 11.36 3.033.03 26.52 11.3649.24 37.88 14.3950.76 62.12 85.6111.92 8.36 2.7220.00 12.26 6.6231.92 20.63 9.3468.08 79.37 90.661.52 2.72 3.97 6.69 93.31GA coupled with minimum distance9.45 11.74 21.19 7.69 6.76 14.45 85.55classifier 5
CONCLUSION AND DISCUSSIONIn this paper, a feature optimization method was proposed for target recognition from high spatial resolution remote sens-ing images. Experimental results showed that the proposed method, having obvious advantages compared with other fea-ture selection methods, can effectively reduce the dimension of feature space, and improve target recognition accuracy. Besides, some modification had been made to improve the classical GA. Thus, the risk of premature convergence of GA had been re-duced greatly, and better genetic evolution results can be ob-tained.It should be pointed out that, the above experiments only chose quickbird data as the test image, and the building type in the test image were relatively simple. So, how to improve the universality of the proposed GA-SVM method so that it can be applied to other type of high-resolution remotely sensed im-agery, and how to successfully recognize different type of buildings from the image will be further studied in the near future.REFERENCESChen G L and Wang X F. 1999. Genetic Algorithm and Its Application.Beijing: Posts & Telecom PressComaniciu D, Meer P. 2002. Mean shift: a robust approach towardfeature space analysis. IEEE Trans. on Pattern Analysis and Ma- chine Intelligence, 24(5): 603―619 He A X, Zhu Y H and An K. 2007. Tumor molecular classificationbased on genetic algorithms and support vector machines. Journal of Data Acquisition & Processing. 22(1): 84―89Holland J H. 1973. Genetic algorithms and the optimal allocations oftrials. SIAM Journal of Computing, 2: 88―105Holland J H. 1975. Adaptation in Natural and Artificial System. AnnArbor: The University of Michigan PressLi J M, Hu Y H and Chen X Q. 2006. Feature optimizing expertsystem for pattern recognition. Electronics Optics&Control,
13(1): 20―26Ming D P, Luo J C, Shen Z F, Wang M and Sheng H. 2005. Research oninformation extraction and target recognition from high resolution remote sensing image. Science of Surveying and Mapping, 30(3): 18―20Niu L H and Ni G Q. 2005. Feature optimization for multi_sensor targetrecognition system. Optical Technique, 31(3): 420―426 Nello C and John S T. 2004. An Introduction to Support Vector Ma-chines and Other Kernel-based Learning Methods. Cambridge: Cambridge University PressVapnik V N. 1998. Statistical leaning theory. New York: Wiley Inter-scienceXu J Q and Li G P. 2004. Feature selection for SVM based on geneticalgorithm. Computer Engineering, 30(24): 1―2, 182Zhang X H. 1997. Genetic algorithms and its application. Fire Control& Command Control, 22(4): 49―53Zhang Y B and Zhang Q. 2005. Support vector machine for classifica-tion of remotely sensed image. Geospatial Information. 3(4): 24―26936Journal of Remote Sensing
) 面向遥感目标识别耦合GA与SVM的特征优选方法孙
宁1, 陈秋晓1, 骆剑承2, 沈占锋2, 胡晓东21. 浙江大学 城市规划工程与信息技术研究所, 浙江 杭州 310058;2. 中国科学院 遥感应用研究所, 北京 100101摘
提出了GA-SVM耦合用于高分遥感目标识别的特征优选方法, 将GA中的特征降维和适应度函数构建与SVM中的特征空间映射、样本训练以及分类结果在内容上耦合, 利用SVM的识别结果指导GA的进化方向。同时, 为减小未成熟收敛风险, 对传统GA做了改进。实验表明, 该方法在高分遥感影像目标识别中效果较好。关键词:
遗传算法, 支持向量机, 目标识别, 特征优选中图分类号:
文献标志码:
言遥感目标识别(明冬萍等, 2005)的主要任务是确定遥感影像中是否存在感兴趣的目标, 并给目标以合理的解释, 即判断目标是什么并确定它(们)的位置。遥感影像目标识别一般针对人工地物进行, 不仅依据其光谱特征、还很大程度上依据目标形状、空间语义关系等, 其落脚点往往是小尺度的目标类别归属, 一般其数据源为高空间分辨率的航空影像和卫星影像(李军梅等, 2006)。自20世纪60年代遥感技术问世以来, 遥感目标识别技术一直是遥感研究领域的热点。近年来, 针对建筑物、道路、桥梁等人工地物的遥感目标识别研究方兴未艾。但是如何提高该类研究的识别精度仍然是有待解决的难题。遥感影像目标识别一般包括3个阶段: 影像处理(包括影像分割)、特征提取和分类识别。其中, 特征提取是目标识别的关键。通常认为, 描述遥感影像的特征有光谱特征、纹理特征、结构特征和形状特征。由于遥感影像通常是多波段影像, 可以藉此 提取几十乃至上百个影像特征。但是, 特征间普遍存在的相关性(正相关)将造成特征冗余, 增加识别 时的计算开销; 而特征间的负相关可能导致特征越多精度越低的现象。不同地物目标的提取对应于不同的最优特征组合, 过多的冗余特征会降低识别方法的性能, 减弱目标识别与提取效果。为提高识别精度, 如何进行特征优选――即从众多的特征中寻找到最能反映待识别目标特性的少量关键特征, 在保证识别精度的同时, 提高识别的效率, 便成为遥感目标识别研究的-项重要内容(牛丽红 & 倪国强, 2005; 张耀波 & 张迁, 2005)。目前, 高分辨率遥感影像目标识别过程中通常是根据经验提取最优特征组合, 或用主成分分析法进行降维, 由于这些特征并不一定能表达目标区分于非目标的本质特性, 因而识别精度难以保证。基于以上考虑, 本文提出并使用一种耦合GA和SVM的特征优选方法来提取用以描述待识别目标的最优特征组合, 利用该特征组合识别Quickbird影像中的建筑物目标。实验结果表明, 该特征优选方法明显地提高了目标识别的精度。收稿日期: ; 修订日期: 基金项目:863项目(编号: , )及中央高校基本科研业务费专项资金。第一作者简介: 孙
), 女, 硕士研究生, 研究方向为城市规划和城市遥感。E-mail: ningning8533@。 通讯作者: 陈秋晓, E-mail: chen_qiuxiao@。 孙
宁等: 面向遥感目标识别耦合GA与SVM的特征优选方法 9372
耦合GA和SVM的特征优选方法遗传算法(genetic algorithm, GA)(陈国良 & 王煦法, 1999)是Holland(Holland, )于20世纪70年代初创建的一种概率搜索算法, 体现了优胜劣汰、适者生存的生物进化原理。在模式识别的解决上具有较强的鲁棒性和自适应性, 常用解决复杂的优化问题。然而, GA本身并不具备计算最优方向的能力, 由于目标识别的精度主要是依靠分类结果进行评价的, 需要将GA与一个优秀的分类器如支持向量机结合以进一步优选特征并提高识别精度(何爱香等, 2007)。支持向量机(support vector ma-chine, SVM)是在高维特征空间使用线性函数假设空间的学习系统(Nello & John, 2004;
Vapnik, 1998), 具有较强的稳健性和学习能力, 在处理高维数据的分类上有优势(许建强 & 李高平, 2004;
章新华, 1997)。本文将GA与SVM方法进行耦合(图1), 通过GA的遗传机制从候选特征集中选择满足条件的最优组合, 利用SVM算法构建GA中的适应度函数, 使用GA优选出的最优特征组合识别全体对象。具体地, 耦合体现在以下3个阶段: 特征降维、适应度计算、目标识别。 2.1
特征降维阶段原N维特征空间是非线性空间, 本文将GA的特征降维与SVM的特征空间映射相结合, 利用GA的种群进化对原N维特征向量实现降维, 将降维后的特征向量传入SVM分类器并映射到新的线性特征空间。GAx=(x1,&,xn)???→(x1,&,xd) ???→φ(x)=(φ1(x),&,φd(x))
d&nSVM(1)2.2
适应度计算阶段为提高不同地物间的区分度, 同时提高分类模型对特定地物的识别精度, 本文为分类器选择两类样本集, 训练样本集Strn和测试样本集Stest。训练样本集要能反映数据的各种类型并且有代表性; 测试样本集分两类, 分别为待识别目标和非待识别目标。由于高分遥感影像类型复杂, 数据量大, 考虑适当增加样本数以提高识别精度。在新的特征空间中对训练样本集Strn进行训练, 寻找能够将训练样本集正确分类的最优超平面。本文的支撑向量机采用如下的决策函数:?d?f(x)=sgn?∑αiyiK(xi,x)+b??i=1?式中, K(xi, x)为核函数。(2)利用训练后规则分类测试样本集Stest, 依据该结果计算适应度反馈回GA, 指导下一回的进化方向, 从而保证最终得到的特征子集为该类目标识别的最优特征组合。 图1
GA与SVM耦合结构图 包含各类专业文献、幼儿教育、小学教育、高等教育、生活休闲娱乐、面向遥感目标识别耦合GA与SVM的特征优选方法29等内容。
基于PCA和SVM的人脸识别方法_计算机软件及应用_IT/计算机_专业资料。基于PCA和SVM的人脸识别方法,用的是ORL人脸库基于PCA 和 SVM 的人脸识别方法一、PCA 算法 1... SVM 是一种基于统计学习理论的 模式识别方法, 主要应用于模式识别领域.由于当时这些研究尚不十分完善,在解决模式识别 问题中往往趋于保守,且数学上比较艰涩,因此... 基于SVM 和 GA 的三维图像质量评价方法的研究* ...基于这种思想,我们研究面向三维图像的基于深度感知的... 在遥感分类上,SVM 的主要思想是针对两类分类问 题,在高维空间中寻找一个超...面向对象的空间特征提取技术, 集合临近像元为对象用来识别感兴趣的光谱要素。 ... 从遥感图像分类方法的基本原理入手,对传统遥感图像的...选择SVM核函数并通过参数设置可以实现多类 复杂地物...4.7遥感影像分析中面向对象分类方法的研究面向对象... 第5章一、单选题 目标与特征识别技术及应用题库 1.目标编码识别技术就是应用一定的( ) ,通过被识目标和识别装置之间的接 近活动, 自动地获取被识目标的编码... 基于HHT和SVM的铣削失稳特征提取和模式识别。基于 HHT 和 SVM 的铣削失稳特征提取和模式识别 基于HHT 和 SVM 的铣削失稳特征提取和模式识别 ... 可见光遥感图像论文:高分辨率可见光遥感图像舰船目标识别方法研究_信息与通信_...SVM 分 类器的虚警目标滤除 5.2.1 支持向量机原理 50-51 5.2.2 统计... 图像目标单元群体的处理和分析,提供 面向纹理特征和...化识别与提取方法.目前软件包括十余种不同的遥感影像...(SVM).SVM 是近几年最新提出的机器学习算法,它可...
