基于机器学习的遥感影像分类方法研究.pdf

刘颖著基于机器学习的遥感影像分类方法研究清华大学出版社北京内容简介机器学习是人工智能的一个重要领域，源自于统计模型拟合。机器学习通过采用推理及样本学习等方式从数据中获得相应的理论，尤其适合解决“噪声”模式及大规模数据集等问题。本书是作者几年来科研成果的总结。全书共7章，围绕遥感图像分类这一主线，深入研究监督学习、半监督学习、集成学习三大主流机器学习算法，构建完整的遥感图像分类体系。在理论研究的基础上，结合实例，详细介绍了改进机器学习算法及其在遥感分类处理中的应用情况。本书内容充实、结构清晰、实例丰富，适合从事计算机及相关学科的师生，以及相关科研院所的科研人员阅读。本书封面贴有清华大学出版社防伪标签，无标签者不得销售。版权所有，侵权必究。侵权举报电话：010-6278298913701121933图书在版编目(CP)数据基于机器学习的遥感影像分类方法研究/刘颖著.一北京：清华大学出版社，2014ISBN978-7-302-35991-3I.基.刘.机器学习一应用一遥感图像一分类一研究V.TP75TP181中国版本图书馆CIP数据核字(2014)第065957号责任编辑：王燊娉易银荣封面设计：牛艳敏版式设计：方加青责任校对：曹阳责任印制：刘海龙出版发行：清华大学出版社网址：htp:/,http:/地址：北京清华大学学研大厦A座邮编：100084社总机：010-62770175邮购：010-62786544投稿与读者服务：010-62776969，c-serviceup.tsinghua.ed.cm质量反馈：010-62772015，zhiliang(印装者：三河市金元印装有限公司经销：全国新华书店开本：169mm230mm印张：10.25字数：114千字版次：2014年5月第1版印次：2014年5月第1次印刷定价：58.00元产品编号：058438-01II基于机器学习的遥感影像分类方法研究1.选择图们江下游，中、朝、俄交界处作为研究对象。以行列号115-30一景、近20年的6幅不同时相的Landsat ETM/TM影像作为研究材料。分别讨论本书所采用的影像合成方式、特征采集方法、土地覆盖分类依据，以及特征选取方法，为进一步研究分类方法提供必要的数据材料。2.针对SVM分类过程中核函数选择及参数设置不准确的缺点，提出一种基于自适应变异粒子群优化SVM参数模型(AdaptiveMutation Particle Swarm Optimization SVM,AMPSO-SVM).AMPSO在运行过程中根据群体适应度方差以及最优解的大小来确定当前最佳粒子的变异概率。与传统粒子群(Particle SwarmOptimization,PSO)优化SVM参数模型(PSO-SVM)相比，AMPSO-SVM能够快速摆脱局部搜索的束缚，提高全局搜索的性能，克服早熟收敛造成分类参数寻找不准确的缺点，同时保持了种群的多样性。最后应用该模型进行多光谱遥感影像的土地覆盖分类实验，并与SVM分类方法、PSO-SVM分类方法进行对比。分类精度从传统PS0-SVM的91.50%提高到93.59%，Kappa.系数由0.8903提高为0.9175。c和y的取值得到的分类结果明显优于SVM的手工设置值100和0.143所得到的结果（分类精度87.07%，Kappa系数0.8372）。结果表明，AMPSO-SVM模型有效地提高了遥感影像的分类精度3.提出了一个新的自训练半监督支持向量机方法(PS3V0。自训练半监督算法最大的弊端在于“错误累积”现象，即在学习过程