论文部分内容阅读
遥感影像的自动分类技术是提取高分辨率遥感影像中丰富的地物信息并监测土地利用与生态环境动态变化的关键技术，是目前遥感技术领域研究的热点问题。分类方法的选择以及优化算法是影像分类的重要内容，有效选择分类方法，并对其进行优化是提高分类精度的关键。随着遥感技术的发展，传统的参数分类方法难以满足分类需求，而基于智能算法的非参数分类方法得到了快速发展。机器学习作为人工智能的一个重要应用，运用统计模型，计算机学和概率学的理论使计算机能够进行学习，并具备识别能力。它能够帮助计算机从大量繁杂的数据中获取需要的知识，更好地自动识别、提取各类信息并辅助决策。机器学习是在不直接针对研究问题进行编程的情况下，赋予计算机学习能力的一个研究领域。它与人类学习的方式相同，从已有的经验中进行学习，来提高它的性能。它可以灵活构建由参数刻画的模型，自动实现信息提取过程，由于其较好的鲁棒性和收敛性，并且易于与其他方法相结合的特点，已经被广泛应用于遥感影像处理和分析中。
本研究系统学习和分析了参数分类和非参数分类两类算法的优缺点，并重点研究了遥感影像的非参数智能分类算法。在传统极限学习机(ELM)理论学习的基础上，研究了优化的分类算法，并进行了多种方法的比较试验。本文的研究内容可以分为以下几个部分：
1、首先基于小波核函数的ELM思想，实现了小波核的ELM分类，并使用最大似然分类、ANN、SVM、ELM、小波ELM等不同的参数或非参数分类器进行比较实验并分析其优越性。此外还与基于径向基核、多项式核ELM的分类结果进行比较实验分析，结果分析得到利用小波核ELM分类器对地物信息提取的精度能够达到88.6763%，耗时0.8966s，性能最优。
2、考虑到传统ELM参数的不确定导致整体分类精度下降，对小波ELM分类器继续进行优化研究。基于仿生学原理，研究遥感影像非参数分类方法的智能优化算法。对分类器中的核函数参数和正则项系数进行寻优，分别比较了遗传算法、粒子群算法、蚁群算法、模拟退火算法、萤火虫算法和鱼群算法等算法对寻优的精度和效果，得到鱼群算法在本文研究问题中的精度较高，达到了94.4168%。在此基础上，进行深入的实验比较分析。将以上六种仿生寻优方法得到的不同参数分别加入到ANN，SVM和ELM三种不同的分类器，得到参数优化后的分类器，通过分类比较实验得到了六种寻优算法在三种分类器中的分类准确率和错分率，进而进行精度评定。实验证明了在ELM、SVM和ANN三种分类器中，利用鱼群算法(AF)对ELM的小波核参数和正则化参数进行寻优，构造了参数优化后的小波ELM影像分类模型(AF-WELM)。相对于GA、PSO、FA、SA和ACO的分类性能均更优，错分率有效降低。实验结果表明，本研究构建的AF-ELM分类方法分类速度较快，精度较高，均优于其他分类方法的结果，能够较好地应用于遥感影像上各类地物要素的自动提取。在精度验证方面，利用更高分辨率的天绘卫星数据进行实验，验证了AF-WELM在分类速度和精度上的优越性以及鲁棒性。
3、利用构造的优化分类模型AF-WELM对环巢湖流域进行遥感定量分析应用，基于环巢湖流域的分类结果，进行了缓冲带确定的研究。为了得到环巢湖流域缓冲带宽度，首先划分了汇水区域，分析了流域相对距离，相对高程，相对坡度等信息，计算了各汇水区的LWLI值，根据“源”“汇”景观理论，得到了林地和湿地的缓冲带宽度；并计算生态评价中的具体各因子和综合指标，将环巢湖地区的生态健康性分为4个等级：很健康区域、健康区域、亚健康区域和不健康，最后对环巢湖的健康生态性进行了评价。该应用研究为当地政府部门进行合理的规划布局、土地利用、环境保护和旅游资源开发提供数据分析基础与决策依据。
本研究系统学习和分析了参数分类和非参数分类两类算法的优缺点，并重点研究了遥感影像的非参数智能分类算法。在传统极限学习机(ELM)理论学习的基础上，研究了优化的分类算法，并进行了多种方法的比较试验。本文的研究内容可以分为以下几个部分：
1、首先基于小波核函数的ELM思想，实现了小波核的ELM分类，并使用最大似然分类、ANN、SVM、ELM、小波ELM等不同的参数或非参数分类器进行比较实验并分析其优越性。此外还与基于径向基核、多项式核ELM的分类结果进行比较实验分析，结果分析得到利用小波核ELM分类器对地物信息提取的精度能够达到88.6763%，耗时0.8966s，性能最优。
2、考虑到传统ELM参数的不确定导致整体分类精度下降，对小波ELM分类器继续进行优化研究。基于仿生学原理，研究遥感影像非参数分类方法的智能优化算法。对分类器中的核函数参数和正则项系数进行寻优，分别比较了遗传算法、粒子群算法、蚁群算法、模拟退火算法、萤火虫算法和鱼群算法等算法对寻优的精度和效果，得到鱼群算法在本文研究问题中的精度较高，达到了94.4168%。在此基础上，进行深入的实验比较分析。将以上六种仿生寻优方法得到的不同参数分别加入到ANN，SVM和ELM三种不同的分类器，得到参数优化后的分类器，通过分类比较实验得到了六种寻优算法在三种分类器中的分类准确率和错分率，进而进行精度评定。实验证明了在ELM、SVM和ANN三种分类器中，利用鱼群算法(AF)对ELM的小波核参数和正则化参数进行寻优，构造了参数优化后的小波ELM影像分类模型(AF-WELM)。相对于GA、PSO、FA、SA和ACO的分类性能均更优，错分率有效降低。实验结果表明，本研究构建的AF-ELM分类方法分类速度较快，精度较高，均优于其他分类方法的结果，能够较好地应用于遥感影像上各类地物要素的自动提取。在精度验证方面，利用更高分辨率的天绘卫星数据进行实验，验证了AF-WELM在分类速度和精度上的优越性以及鲁棒性。
3、利用构造的优化分类模型AF-WELM对环巢湖流域进行遥感定量分析应用，基于环巢湖流域的分类结果，进行了缓冲带确定的研究。为了得到环巢湖流域缓冲带宽度，首先划分了汇水区域，分析了流域相对距离，相对高程，相对坡度等信息，计算了各汇水区的LWLI值，根据“源”“汇”景观理论，得到了林地和湿地的缓冲带宽度；并计算生态评价中的具体各因子和综合指标，将环巢湖地区的生态健康性分为4个等级：很健康区域、健康区域、亚健康区域和不健康，最后对环巢湖的健康生态性进行了评价。该应用研究为当地政府部门进行合理的规划布局、土地利用、环境保护和旅游资源开发提供数据分析基础与决策依据。