面向?qū)ο蟮亩鄷r(shí)相衛(wèi)星影像地物分類技術(shù).pdf

1、隨著衛(wèi)星遙感技術(shù)的不斷發(fā)展，應(yīng)用需求的增加，應(yīng)用范圍也越來越廣泛。單純的對(duì)單時(shí)相的衛(wèi)星遙感技術(shù)研究已經(jīng)達(dá)不到人們的需求。因此，對(duì)于地物分類來說，由于單時(shí)相衛(wèi)星影像空間分辨率比較低，而且所含的光譜信息一般也比較少，分類結(jié)果一般會(huì)出現(xiàn)椒鹽現(xiàn)象，不能很好的滿足應(yīng)用需求。本文從多時(shí)相衛(wèi)星影像數(shù)據(jù)的特點(diǎn)出發(fā)，旨在深入挖掘多時(shí)相衛(wèi)星影像信息，提高衛(wèi)星影像數(shù)據(jù)應(yīng)用能力。首先對(duì)衛(wèi)星影像進(jìn)行了預(yù)處理，接著研究了基于圖論的歸一化分割；并深入研究了多時(shí)相衛(wèi)星

2、影像的時(shí)間序列指數(shù)特征；針對(duì)多時(shí)相衛(wèi)星影像提出了基于增量學(xué)習(xí)的集成學(xué)習(xí)分類算法，并且與傳統(tǒng)的多時(shí)相分類算法對(duì)比，增量集成學(xué)習(xí)算法取得了較好的效果。
　　本文工作主要是研究了衛(wèi)星影像數(shù)據(jù)預(yù)處理、時(shí)序指數(shù)特征提取以及面向?qū)ο蟮亩鄷r(shí)相衛(wèi)星影像地物分類，包括以下三個(gè)方面：
　　首先，本文從多光譜衛(wèi)星影像數(shù)據(jù)的獲取原理出發(fā)。由于目前多時(shí)相衛(wèi)星影像數(shù)據(jù)的空間分辨率與光譜分辨率都比較低，而且數(shù)據(jù)量比較大。采用傳統(tǒng)的基于像素的分類方法不僅運(yùn)

3、算效率低，而且分類結(jié)果會(huì)出現(xiàn)椒鹽現(xiàn)象。因此在預(yù)處理的基礎(chǔ)上，研究了基于圖論分割算法。針對(duì)最小割算法的缺陷，將圖論分割算法進(jìn)行了歸一化，且取得了較好的分割效果。影像分割也為面向?qū)ο蟮姆诸惖牡於嘶A(chǔ)。
　　然后，從多時(shí)相多光譜衛(wèi)星影像數(shù)據(jù)的時(shí)序特性出發(fā)。研究了有利于地物分類的指數(shù)特征提取、時(shí)序指數(shù)特征提取。為了有效的揭示不同地物隨時(shí)間的變化對(duì)不同指數(shù)特征的敏感度，對(duì)時(shí)序指數(shù)特征提取了一階和二階差分時(shí)序指數(shù)特征，并在此基礎(chǔ)上進(jìn)行了研究

4、了面向?qū)ο蟮姆诸惙椒?，且與傳統(tǒng)的基于像素的分類結(jié)果進(jìn)行對(duì)比，取得了較好的分類效果。
　　最后，針對(duì)于多時(shí)相衛(wèi)星影像數(shù)據(jù)的時(shí)序特性，在多核Boosting集成學(xué)習(xí)算法的基礎(chǔ)上，引入增量學(xué)習(xí)，構(gòu)建多時(shí)相分類器。增量學(xué)習(xí)可以在保留歷史學(xué)習(xí)信息的基礎(chǔ)上，對(duì)新增的樣本不斷學(xué)習(xí)，進(jìn)而不斷地更新分類器，集成的新分類器對(duì)新樣本具有更好的預(yù)測(cè)效果。為驗(yàn)證多時(shí)相分類器的有效性，利用多時(shí)相衛(wèi)星影像進(jìn)行了實(shí)驗(yàn)。結(jié)果表明并與傳統(tǒng)的合成核算法和集成學(xué)習(xí)算法相