Knowledge Resource Center for Ecological Environment in Arid Area
| 基于语义特征和核函数原型SVM的光学遥感图像场景分类 | |
| 其他题名 | Scene classification for optical remote sensing images based on semantic feature and kernel prototype support vector machine |
| 陈刚 | |
| 出版年 | 2011 |
| 学位类型 | 硕士 |
| 导师 | 王宏琦 |
| 学位授予单位 | 中国科学院大学 |
| 中文摘要 | 光学遥感图像场景分类具有重要的应用价值。光学遥感图像场景内容复杂，容易受到云雾、光照以及其他场景等因素的干扰。当前光学遥感图像场景分类主要存在两个问题：如何更加有效地对光学遥感图像场景内容进行抽象化表示和如何满足干扰条件下图像场景分类对分类器性能提出的更高要求。本文针对这两个问题展开深入研究，提出了一种基于语义特征和核函数原型SVM的光学遥感图像场景分类方法。本文的主要研究内容及成果如下：\n1. 研究了三种图像场景内容抽象化表示方法。针对光学遥感图像覆盖范围广、内容复杂的特点寻求一种合适的场景内容抽象化表示方法，对图像场景内容进行更加充分、准确的描述。通过比较SIFT和灰度共生矩阵纹理两种低层特征以及基于LDA语义建模方法提取的图像场景语义特征显示，语义特征下相同场景的内聚性更好，而不同场景之间的距离更大，场景的可分性较高。因此，语义特征可以对光学遥感图像场景内容进行更加有效的描述。\n 2. 提出了一种基于核函数原型和自适应遗传算法的SVM分类器优化方法。光学遥感图像场景容易受到云雾、光照以及其他场景等因素的干扰，对分类器的性能要求较高。对此，本文结合核函数原型和自适应遗传算法同时对SVM核函数类型及其参数进行优化，提高SVM分类器的性能。通过在5个标准SVM数据集上与其他相关方法进行比较，表明了采用本文方法优化后的SVM分类器具有较高的分类准确性和稳定性。\n 3. 设计了一个光学遥感图像场景分类方案。该方案结合了语义特征对于遥感图像场景内容抽象化表示的优点以及采用本文优化方法获得的SVM分类器的性能优势，在一定程度上解决了上述光学遥感图像场景分类中存在的两个主要问题。本文采用该方案对港口、城镇、沙漠和高尔夫球场四类光学遥感图像场景进行分类，并与传统方法进行了比较实验。实验结果表明，本文方案用于光学遥感图像场景分类具有更好的分类效果。 |
| 英文摘要 | Scenes classification in optical remote sensing images has an important role in our lives. The content of optical remote sensing image is complex, and is vulnerable to mist, illumination and other factors. There are two major problems in current scenes classification in optical remote sensing images: how to representation the content of the scene in a more effective way and how to improve the performance of the classifier to avoid interference. In this dissertation, we propose a method which is based on semantic features and kernel prototype of support vector machine to figure out these problems. The results of the research are as follows: \n 1. Three scene representation methods for optical remote sensing images are studied. For optical remote sensing images covering a wide range and having complex content we try to find a proper way to represent the image more effectively. We compare three features: sift, glcm and semantic features. The experiment shows better cohesion and greater distance for same and different scenes under semantic features. \n 2. An optimization algorithm based on kernel prototype and adaptive genetic algorithm is proposed to improve the performance of SVM classifier. This algorithm finds both optimal kernel type and kernel parameters for specific problem. We compare this algorithm with other algorithms on 5 standard svm datasets. The result shows that our algorithm performs higher accuracy and stability.\n3. A scene classification scheme for optical remote sensing image is designed. The scheme combines both the advantage of the semantic features and the optimization algorithm for svm classifier and solves the problems in scene classification in optimal remote sensing images. We adopt this scheme to classify four kinds of scenes: harbor, city, desert and golf course and compare the scheme with traditional scheme. The result shows that our scheme has better performance in scene classification in optical remote sensing images. |
| 中文关键词 | 光学遥感图像 ; 场景分类 ; 支持向量机（SVM） ; LDA语义建模 |
| 英文关键词 | Optical remote sensing image scenes classification support vector machine (SVM) LDA |
| 语种 | 中文 |
| 国家 | 中国 |
| 来源学科分类 | 信号与信息处理 |
| 来源机构 | 中国科学院电子学研究所 |
| 资源类型 | 学位论文 |
| 条目标识符 | http://119.78.100.177/qdio/handle/2XILL650/286932 |
| 推荐引用方式 GB/T 7714 | 陈刚. 基于语义特征和核函数原型SVM的光学遥感图像场景分类[D]. 中国科学院大学,2011. |
| 条目包含的文件 | 条目无相关文件。 | |||||
| 个性服务 |
| 推荐该条目 |
| 保存到收藏夹 |
| 导出为Endnote文件 |
| 谷歌学术 |
| 谷歌学术中相似的文章 |
| [陈刚]的文章 |
| 百度学术 |
| 百度学术中相似的文章 |
| [陈刚]的文章 |
| 必应学术 |
| 必应学术中相似的文章 |
| [陈刚]的文章 |
| 相关权益政策 |
| 暂无数据 |
| 收藏/分享 |
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。
