本文主要研究内容
作者张玉沙（2019）在《基于主动集成学习和不确定性分析的遥感影像变化检测》一文中研究指出：基于多时相遥感影像的变化检测技术在土地利用监测、城市建设、植被覆盖研究等方面都具有重要的意义。然而随着遥感影像空间分辨率的提高,波段数目随之减少,变化检测中出现空间地物结构更加复杂、训练样本标记代价变高、同类地物的光谱差异增大、光谱域可分性降低等现象。针对以上问题,论文在综合考虑面向像元和面向对象变化检测的基础上,提出了基于主动学习的多分类器集成和多尺度不确定性分析的检测。并且利用不确定性分析后的分类概率与变化概率结果,结合贝叶斯融合进行变化类型的检测。主要研究内容如下:(1)为了充分利用高分辨率遥感影像丰富的地物结构信息,提取了纹理特征、形态特征和Gabor滤波特征,并将优化后的空间特征与光谱特征组合,构建了最优特征矢量作为信息提取的变化检测数据集。(2)为了利用不同分类器各自的优势和多尺度信息来有效识别图像中所有的变化信息,论文提出了基于多分类器集成和多尺度不确定性分析的变化检测算法。根据分类器异质性研究构建基于K近邻、支持向量机、极限树的多分类器集成系统,在此过程中还引入主动学习思想,利用空间优化和breaking ties(BT)算法选择信息量丰富的未标记样本作为增选样本,用来解决监督变化检测中训练样本不足问题;为了有效利用遥感影像的尺度信息在图像分析和特征识别中的重要意义,通过具有传播关系的多尺度层进行不确定性分析,并结合所有尺度上的确定对象构成最终变化检测结果。该算法在减少面向像元变化检测中“椒盐噪声”影响的同时,能降低传统的面向对象变化检测中变化检测精度对分割尺度的依赖性。(3)为了得到变化类型结果,构建了基于不确定性分析和贝叶斯融合的分类后变化类型检测算法。首先利用非监督变化检测和支持向量机相结合来获取变化概率图,利用极限随机树算法进行分类概率图的获取,然后分别对两个时相的分类概率图进行不确定性分析,将不确定变化类型的分类概率图与变化概率图利用贝叶斯融合得到像素级变化类型的检测结果,最后通过面向对象的类别判定来确定最终变化类型检测结果。
Abstract
ji yu duo shi xiang yao gan ying xiang de bian hua jian ce ji shu zai tu de li yong jian ce 、cheng shi jian she 、zhi bei fu gai yan jiu deng fang mian dou ju you chong yao de yi yi 。ran er sui zhao yao gan ying xiang kong jian fen bian lv de di gao ,bo duan shu mu sui zhi jian shao ,bian hua jian ce zhong chu xian kong jian de wu jie gou geng jia fu za 、xun lian yang ben biao ji dai jia bian gao 、tong lei de wu de guang pu cha yi zeng da 、guang pu yu ke fen xing jiang di deng xian xiang 。zhen dui yi shang wen ti ,lun wen zai zeng ge kao lv mian xiang xiang yuan he mian xiang dui xiang bian hua jian ce de ji chu shang ,di chu le ji yu zhu dong xue xi de duo fen lei qi ji cheng he duo che du bu que ding xing fen xi de jian ce 。bing ju li yong bu que ding xing fen xi hou de fen lei gai lv yu bian hua gai lv jie guo ,jie ge bei xie si rong ge jin hang bian hua lei xing de jian ce 。zhu yao yan jiu nei rong ru xia :(1)wei le chong fen li yong gao fen bian lv yao gan ying xiang feng fu de de wu jie gou xin xi ,di qu le wen li te zheng 、xing tai te zheng he Gaborlv bo te zheng ,bing jiang you hua hou de kong jian te zheng yu guang pu te zheng zu ge ,gou jian le zui you te zheng shi liang zuo wei xin xi di qu de bian hua jian ce shu ju ji 。(2)wei le li yong bu tong fen lei qi ge zi de you shi he duo che du xin xi lai you xiao shi bie tu xiang zhong suo you de bian hua xin xi ,lun wen di chu le ji yu duo fen lei qi ji cheng he duo che du bu que ding xing fen xi de bian hua jian ce suan fa 。gen ju fen lei qi yi zhi xing yan jiu gou jian ji yu Kjin lin 、zhi chi xiang liang ji 、ji xian shu de duo fen lei qi ji cheng ji tong ,zai ci guo cheng zhong hai yin ru zhu dong xue xi sai xiang ,li yong kong jian you hua he breaking ties(BT)suan fa shua ze xin xi liang feng fu de wei biao ji yang ben zuo wei zeng shua yang ben ,yong lai jie jue jian du bian hua jian ce zhong xun lian yang ben bu zu wen ti ;wei le you xiao li yong yao gan ying xiang de che du xin xi zai tu xiang fen xi he te zheng shi bie zhong de chong yao yi yi ,tong guo ju you chuan bo guan ji de duo che du ceng jin hang bu que ding xing fen xi ,bing jie ge suo you che du shang de que ding dui xiang gou cheng zui zhong bian hua jian ce jie guo 。gai suan fa zai jian shao mian xiang xiang yuan bian hua jian ce zhong “jiao yan zao sheng ”ying xiang de tong shi ,neng jiang di chuan tong de mian xiang dui xiang bian hua jian ce zhong bian hua jian ce jing du dui fen ge che du de yi lai xing 。(3)wei le de dao bian hua lei xing jie guo ,gou jian le ji yu bu que ding xing fen xi he bei xie si rong ge de fen lei hou bian hua lei xing jian ce suan fa 。shou xian li yong fei jian du bian hua jian ce he zhi chi xiang liang ji xiang jie ge lai huo qu bian hua gai lv tu ,li yong ji xian sui ji shu suan fa jin hang fen lei gai lv tu de huo qu ,ran hou fen bie dui liang ge shi xiang de fen lei gai lv tu jin hang bu que ding xing fen xi ,jiang bu que ding bian hua lei xing de fen lei gai lv tu yu bian hua gai lv tu li yong bei xie si rong ge de dao xiang su ji bian hua lei xing de jian ce jie guo ,zui hou tong guo mian xiang dui xiang de lei bie pan ding lai que ding zui zhong bian hua lei xing jian ce jie guo 。
论文参考文献
论文详细介绍
论文作者分别是来自中国矿业大学的张玉沙，发表于刊物中国矿业大学2019-07-18论文，是一篇关于多源特征论文,分类器集成论文,不确定性分析论文,主动学习论文,贝叶斯融合论文,中国矿业大学2019-07-18论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自中国矿业大学2019-07-18论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：多源特征论文; 分类器集成论文; 不确定性分析论文; 主动学习论文; 贝叶斯融合论文; 中国矿业大学2019-07-18论文;