论文部分内容阅读
合理地保护和利用森林资源,对地球生态系统的稳定及可持续发展有重要意义,森林类型的正确识别是其重要的基础和依据。拥有成本低、灵活度高、分辨率高优点的无人机的发展为获取资源信息提供了便利,同时为森林有序开发奠定了基础。国内外学者广泛利用遥感数据及不同的分类方法对森林类型进行识别,改善森林类型识别的效率及精度。论文考虑到在实际应用中,普遍存在未标注的样本信息和标注的样本两种数据集情况,论文研究分别使用非监督分类和监督分类两种方法对森林类型进行识别。使用蜂群k-means非监督分类方法和蜂群SVM(Support Vector Machine)监督分类算法对林场内森林类型进行识别,以满足不同数据样本情况的森林类型识别需求。论文的主要工作包括:(1)数据处理对研究区域的无人机图像进行了数字正射影像处理及裁剪等预处理,形成了可用于分类的基础数据。论文使用 ERDAS IMAGINE 中的 LPS(Leica Photogrammetry Suite)数字摄影测量系统进行数字正射影像图的制作。然后对数字正射影像图进行了裁剪处理。(2)无人机遥感图像森林类型聚类模型研究及森林类型识别应用研究聚类模型的性能直接影响遥感图像森林类型聚类精度,为此,论文提出了基于蜂群k-means的聚类模型(IKABC)并将其应用到无人机遥感图像森林类型识别的聚类研究。该模型首先使用最大最小距离积邻域均值法初始化蜂群,并且结合聚类的类间和类内关系改进蜂群算法的适应度函数;然后,论文对IKABC的模型在四组UCI(University of CalifomiaIrvine)公共数据集上进行了有效性验证。最后,将IKABC应用于无人机遥感图像的森林类型识别的聚类应用研究。(3)基于LABC-SVM的无人机遥感图像森林类型分类算法研究论文研究了基于蜂群算法SVM的分类模型(LABC-SVM)在无人机遥感图像森林类型识别的分类应用。论文首先提取SIFI特征,对SIFT特征进行聚类得到视觉单词表和视觉词典,然后结合空间金字塔匹配模型得到最终的图像表达特征数据集,并将特征数据集作为LABC-SVM的数据输入。LABC-SVM使用混沌算子初始化蜂群算法,使用混沌局部搜索算子改进蜂群搜索策略,并选取SVM的十折交叉验证结果作为适应度值。在应用LABC-SVM对森林类型进行识别时,首先对LABC-SVM的参数(核函数和金字塔层级L)进行对比寻优。然后选取5组UCI公共数据集和3组公共图像数据集对LABC-SVM分类模型进行有效性验证。最后,将LABC-SVM用于阔叶在、针叶林、混交林和非林地(水体和建筑)等森林类型识别。