面向?qū)ο蟮亩鄷r相衛(wèi)星影像地物分類技術.pdf

1、隨著衛(wèi)星遙感技術的不斷發(fā)展，應用需求的增加，應用范圍也越來越廣泛。單純的對單時相的衛(wèi)星遙感技術研究已經(jīng)達不到人們的需求。因此，對于地物分類來說，由于單時相衛(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)果一般會出現(xiàn)椒鹽現(xiàn)象，不能很好的滿足應用需求。本文從多時相衛(wèi)星影像數(shù)據(jù)的特點出發(fā)，旨在深入挖掘多時相衛(wèi)星影像信息，提高衛(wèi)星影像數(shù)據(jù)應用能力。首先對衛(wèi)星影像進行了預處理，接著研究了基于圖論的歸一化分割；并深入研究了多時相衛(wèi)星

2、影像的時間序列指數(shù)特征；針對多時相衛(wèi)星影像提出了基于增量學習的集成學習分類算法，并且與傳統(tǒng)的多時相分類算法對比，增量集成學習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)預處理、時序指數(shù)特征提取以及面向?qū)ο蟮亩鄷r相衛(wèi)星影像地物分類，包括以下三個方面：
　　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

3、算效率低，而且分類結(jié)果會出現(xiàn)椒鹽現(xiàn)象。因此在預處理的基礎上，研究了基于圖論分割算法。針對最小割算法的缺陷，將圖論分割算法進行了歸一化，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。
　　然后，從多時相多光譜衛(wèi)星影像數(shù)據(jù)的時序特性出發(fā)。研究了有利于地物分類的指數(shù)特征提取、時序指數(shù)特征提取。為了有效的揭示不同地物隨時間的變化對不同指數(shù)特征的敏感度，對時序指數(shù)特征提取了一階和二階差分時序指數(shù)特征，并在此基礎上進行了研究

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)果進行對比，取得了較好的分類效果。
　　最后，針對于多時相衛(wèi)星影像數(shù)據(jù)的時序特性，在多核Boosting集成學習算法的基礎上，引入增量學習，構建多時相分類器。增量學習可以在保留歷史學習信息的基礎上，對新增的樣本不斷學習，進而不斷地更新分類器，集成的新分類器對新樣本具有更好的預測效果。為驗證多時相分類器的有效性，利用多時相衛(wèi)星影像進行了實驗。結(jié)果表明并與傳統(tǒng)的合成核算法和集成學習算法相