论文部分内容阅读
遥感信息处理的主要目的是理解不同场合和不同类型的传感器获取的图像数据,是满足人类探险本性和生存需要的重要科技手段。随着世界各国在遥感平台投入的不断增长,自动、准确和快速的海量遥感信息处理成为一种迫切的需求,推动着新的方法不断涌现。这其中就有作为一种新兴机器学习方法的随机森林。美国科学院院士Leo Breiman等人的坚实的理论推导和模式识别多个领域的应用研究表明随机森林有着准确、方便、快速并能分析数据特点等方面的诸多优点。利用了图像中确定的邻域关系的纹元森林是随机森林方法在图像理解领域的一个新的发展。因此,将随机森林/纹元森林应用在遥感信息处理中有希望为后者带来新的研究动力。论文在有侧重地总结遥感信息处理的目标检测、土地覆盖分类和变化检测三个重要方面的应用研究现状以及随机森林的发展历史和理论的基础上,重点研究了随机森林/纹元森林在这三个遥感研究方向中的应用。论文通过分析三种遥感应用研究特点,对随机森林/纹元森林做了相应的改进,促进了更适应于相应的遥感应用特点的随机森林/纹元森林的新的发展。这些发展除了能为相应的遥感应用服务,在经过适当改进后也可以应用于其它的计算机视觉领域,并通过大量实际遥感图像实验对提出的方法进行了验证。论文取得的成果和主要创新点包括:(1)针对遥感目标检测对旋转不变性的要求,提出了颜色增强的旋转不变的霍夫森林(CRIHF)。目标检测过程中在前端利用纹元森林的特征空间学习能力构造码表,在后端利用霍夫投票确定目标位置。霍夫森林是一种不具有旋转不变性的目标检测方法,为此本文创新性地在前端和后端同时引入了旋转不变特性,通过利用颜色不变梯度和更复杂的纹元森林设定弥补了旋转不变性扩展带来的性能下降,两者结合起来为霍夫森林目标检测方法应用于遥感目标检测铺平了道路。此外,在前端旋转不变性扩展中提出的旋转不变纹元森林将旋转计算由图块计算转移到分割函数计算,通常情况下可以节省上百倍的运算。(2)针对土地覆盖分类结合历史GIS信息的应用特点,将纹元森林以条件集成,提出了条件纹元森林(CTF)。通过对每一种历史土地覆盖生成一个单独的纹元森林,并以条件集成将它们组合起来,大量存在的历史GIS信息可以被利用起来以提高当前土地覆盖分类精度。与几种经典的结合历史GIS数据的土地覆盖分类方法进行比较,该方法分类精度更高。(3)针对遥感图像变化检测的双模态特点,提出了以四叉树结构的决策树有效容纳双模态数据的所有组合,并以其为基础扩展纹元森林方法,得到了四叉树双模态纹元森林(QT-DMTF)方法变化检测。实验证明该方法比几种传统的方法准确。