遥感图像多监督分类器集成研究及应用.pptVIP

遥感图像的多监督分类器集成的研究及应用 项目背景与意义 国内外现状分析 研究内容与方案 技术流程分析 项目创新与前景 项目背景与意义 国内外现状分析 研究内容与方案 技术流程分析 项目创新与前景 项目背景与意义 国内外现状分析 研究内容与方案 技术流程分析 项目创新与前景 通过样本检验、理论分析等手段筛选和构建最优的多分类器集成方法，并进一步应用到地表覆盖的分类中，切实的提高地表覆盖分类的精度。 项目背景与意义 国内外现状分析 研究内容与方案 技术流程分析 项目创新与前景 项目背景与意义 国内外现状分析 研究内容与方案 技术流程分析 项目创新与前景 目前，在国内遥感界，引进多分类器集成对遥感图像进行处理尚无先例，故项目本身具有十分重要的意义。 另外，依托于国家863重点项目“全球地表覆盖遥感制图及关键技术研究”，本项目在国内地表覆盖技术中将有重要的作用 选择优越性 研究表明，对于同一套遥感数据，不同的分类器分类精度不同，同一个分类器对不同类别的分类精度也存在差异，而这种差异随分类方法的不同而有变化，这种情况被称为“选择优越性”。 因此，不同的分类器之间存在互补的可能。多分类器集成就是通过一定的规则，将不同的分类器进行优势互补，从而提高分类精度的过程 Background1遥感图像分类 遥感图像中所包含的信息可以转化为该图像所覆盖的地表范围内每个像元在各个波段（特定波长范围）的反射率。遥感图像分类，就是要根据像元在各个波段的反射率的不同，将像元划分到不同的地物类别（如植被、城市、水体等）。 多光谱遥感图像中包含多个波段，每个波段可以视为像元的一个特征。假设有 n个波段，则以这n个特征为坐标轴，可以创建一个 n维的空间坐标系，这个空间称为特征空间。每一个像元都可以用这个空间里的一个点来表示。在特征空间中，不同的地物将会分布在不同的区域，通过确定各个区域之间的边界，就可以将像元划分到相应的地物类别中。 Background1遥感图像分类 根据有无类别的先验知识，可以将遥感图像分类方法分为监督（supervised）与非监督(unsupervised)两类。监督分类是指通过一些已知光谱信息与类别的数据（称作训练数据）来获取各个类别的先验知识，再根据这些先验知识对像元进行分类的方法。（本课题研究的内容） 非监督分类则是在没有训练数据的情况下，根据特征空间中数据的聚集和离散特点对像元进行分类。（多元统计中的聚类分析） 分类完成后， 将像元被分得的类别与其真实的类别比较，可以评价该次分类的精度。 精度评定是遥感图像分类的重要一步，一般以混淆矩阵（confusion matrix）的形式来表示。 1. 监督分类器 遥感中常用的分类器有：最大似然（ML）、最小距离（MinD）、马氏距离（MD）、光谱角分类（SAM）、支撑矢量机（SVM）、神经网络（NN），等等。 分类器的输出结果： Background2——常用监督分类器 最小距离（MD） Background2——常用监督分类器 最小距离（MD） Background2——常用监督分类器 马氏距离（MahD） Background2——常用监督分类器 最大似然（ML） Background2——常用监督分类器 神经网络（NN） ——本科生科研基金项目 交叉学科项目报告 项目背景与意义 近年极端天气频发 863重点项目 （全球地表覆盖遥感制图及关键技术研究） 研究地表覆盖 （空间分布/动态变化） 关注全球变化 （哥本哈根） 当前分类体系存在缺陷 国内外现状分析 监督分类器 （结果存在缺陷，具有选择性） 在遥感方面无多分类器集成的先例 国内的首次尝试 （基于误差分析） 研究目标 研究内容及方案 研究各种监督分类器的数学原理 并应用其进行遥感图像分类 研究各种集成整合算法的数学原理，并应用样本进行集成 筛选：使用独立样本进行检验 形成最佳多监督分类器集成策略 最大似然（ML） 神经网络（NN） … 朴素贝叶斯法（NB） 模糊积分法（FI） … 项目创新与前景 我也是超链接 我是超链接 我还是超链接