论文部分内容阅读
在遥感信息提取技术中,对多光谱遥感图像进行特征提取与分类是进行土地覆盖信息提取的主要环节。然而,由于多光谱遥感图像固有的特点,传统的信息提取方法已不能满足遥感信息提取对计算精度、计算速度与扩展性的要求。本文主要研究以现有遥感特征提取与分类算法:主成分分析、吸引子传播算法为基础,融合模糊统计学、半监督学习、增量学习理论的机器学习新理论与新算法,从而提高信息提取与识别的水平。围绕这一主线,对现有算法存在的问题进行深入地研究,并在总结以往研究成果的基础上,提出了三种新的基于机器学习的特征提取与分类算法。主要工作有以下四个方面:1.针对主成分分析(Principal Component Analysis,PCA)的不足和遥感数据具有模糊性和随机性的特点,提出了基于模糊统计学的一元和多元图像统计特征,将其引入PCA中,提出了基于模糊统计学的主成分分析算法(Fuzzy Statistics-Based Principal Component Analysis,FS-PCA)。应用于多光谱遥感图像特征提取中。2.鉴于吸引子传播算法(Affinity Propagation,AP)快速高效的特点和遥感图像中地物分界具有的模糊性和随机性等特点,提出了模糊统计学相似性度量(Fuzzy Statistics Similarity Measure,FSS)的概念,将其引入到AP中,提出了基于模糊统计学的吸引子传播算法(Fuzzy Statistics-Based Affinity Propagation,FS-AP)。应用到多光谱遥感图像分类中,提高了分类的精度和效率。3.鉴于传统的遥感图像聚类算法对聚类结果缺乏指导性,提出半监督增量学习策略,将其引入吸引子传播算法中,提出了增量式半监督吸引子传播算法(Incremental Semi-Supervised Affinity Propagation,IS-AP)。进一步提高多光谱遥感分类算法的精度。4.算法综合性应用。将本文提出的新理论和新算法应用于吉林省北部土地覆盖遥感信息提取中,取得了很好的效果。