经典毕业论文答辩模板及图片

遥感图像监督分类方法的比较研究 主要研究内容 针对遥感图像各种监督分类方法适用范围不同且分类机制各有优劣的特点 本文对遥感图像监督分类的几种典型的方法进行比较分析1 首先对最小距离法 马氏距离法 最大似然法这三种监督分类方法的原理进行分析 2 其次将其应用于处理同一区域的遥感图像 分析其处理精度 然后探讨评析各种方法的优劣 3 最后得出结论 在影像分类中 这几种方法并不能够完全割裂开来 而应该根据实际分类的需要 合理科学灵活的运用这几种方法 甚至混合使用其中的两种或多种 使影像分类达到预期的目的和要求 论文框架 1 绪论 主要阐述了本研究的选题背景意义 国内外研究现状 从总体上对论文做了简单的介绍 2 研究区概况及论文数据准备 主要介绍本研究所选地区的概况 研究中需要的数据及软件 3 监督分类方法的基本原理 主要介绍最小距离法 马氏距离法以及最大似然法这三种监督 分类方法的算法原理和特征分析 4 实验操作与结果分析 主要介绍分别用以上三种方法对同一区域的遥感图像进行监督分类并对三种不同分类结果进行比较分析 5 结论 总结了本研究的主要结论 研究中存在的不足和今后需要做更深一步研究的地方 1 绪论 1 1选题背景及意义对于影像分类方法的研究 从不同的方面可以划分为不同的类型 在影像分类过程中 根据是否已知训练样本的分类数据 影像分类方法又可以分为监督分类和非监督类 遥感图像监督分类 又称为训练区分类 是基于统计方法对遥感图像分类的 也是目前应用较多 算法较为成熟的分类方法 它利用对地面样区的实况调查资料 从已知训练样区得出实际地物的统计资料 然后再用这种统计资料作为图像分类的判别依据 并依一定的判别准则对所有图像像元进行判别处理 使得具有相似特征并满足一定识别规则的像元归并为一类 如此完成对整幅图像的处理 研究意义 针对遥感图像各种监督分类方法适用范围不同且分类机制各有优劣的特点 对遥感图像监督分类的几种典型的方法进行比较分析 将其应用于处理同一区域的遥感图像 分析其处理精度 最后探讨评析各种方法的优劣 有利于更好地针对遥感图像本身的特点 选择最合适的分类方法 最终使遥感图像的处理精度更高 效果更明显 有效提高遥感图像专题信息提取的精度 国内大多数研究者都对以上种方法进行过对比研究 提出最大似然法的适用范围最广 分类精度较高 因此 近几年最大似然法在遥感专业信息提取方面使用很广泛 当前 越来越多的人将目光瞄向了神经网络分类法 以BP为代表的神经网络在遥感信息提取中得到广泛应用 基于各种监督分类方法都有各自的特点和适用范围 在当今的研究趋势下 越来越多的国内外研究者趋向于综合两种或多种方法进行监督分类 以求取长补短 优势互补 这大大提高了遥感图像监督分类的精度以及专业信息的提取 常见的有最大似然值法与最小距离法的结合 最大似然值法与马氏距离法的结合等 1 2国内外研究现状分析 2研究区概况及数据准备 2 1研究区概况徐州市位于江苏省的西北部 东经116 22 118 40 北纬33 43 34 58 之间 东西长约210公里 南北宽约140公里 总面积11258平方公里 占江苏省总面积的11 属于华北平原的东南部 域内除中部和东部存在少数丘岗外 大部皆为平原 徐州是江苏省第二大城市 淮海经济区中心城市 长江三角洲区域中心城市 东陇海线核心城市 苏北最大城市 也是中国第二大铁路枢纽 长三角的 北大门 长三角北部集聚辐射力最强的节点城市和重要增长极 徐州是国家重要的交通要道 军事战略要地和能源基地 享有较高的历史地位和政治地位 绪论 2 2实验数据本研究所用遥感TM数据来源于美国地质勘探局 UnitedStatesGeologicalSurvey USGS 网站 下载2000年徐州市TM图像 选取其中512 512像元大小的TM图像为实验数据 该图像包括4 2 3三个波段 空间分辨率为30m 2 3实验软件ERDAS简介ERDASIMAGINE是美国ERDAS公司开发的遥感图像处理系统 它以其先进的图像处理技术 友好 灵活的用户界面和操作方式 面向广阔应用领域的产品模块 服务于不同层次用户的模型开发工具以及高度的RS GIS集成功能 为遥感及相关应用领域的用户提供了内容丰富而功能强大的图像处理工具 代表了遥感图像处理系统未来的发展趋势 3监督分类方法的基本原理 4实验操作与结果分析 4 1监督分类流程图 4 2实验操作 对2000年徐州市TM图像进行配准矫正后 裁剪出512 512象元大小的部分作为实验数据 裁剪后的图像如图1所示 图中地物有水体 河流 湖泊 农业用地 根据种植作物不同细分为果树林地 稻田 耕地 建筑用地 居民区 其他建筑用地 山体 森林等 通过目视判读 可以较清晰的分清以上地物 基于ERDAS软件的三种监督分类模块 通过最小距离法 马氏距离法和最大似然法 分别对图像进行分类处理 提取遥感图像信息 分类结果图像如下所示 图1512 512像元大小的TM图像 图2最小距离法分类图像 图3马氏距离法分类图像 图4最大似然法分类图像 4 3 1主观评价从图3中可以看出 最小距离的分类结果效果不明显 小斑点较多 对于不同类别的亮度值 其方差不同 仅用距离来判别 产生了归类模糊 导致农用地与山体上一些植被的类别融和 建筑用地与部分耕地的融和等结果 因此 最小距离法通常用于训练样本数量较少时 但它的分类速度较快 从图4中可以看出 马氏距离分类法对山体和森林的分类效果较好 没有产生地物类别的混淆 效果明显优于图3 从图5中可以看出 最大似然法将地物类别分得更细致 将各地物的一些交界地带也分出 图中黑色的部分为一些未知像元 最大似然法将其自动设为黑色 以示区分 4 3结果评价 4 3 2客观评价为了进一步验证分类精度 要建立精度评估误差矩阵 误差矩阵采用像元抽样产生 抽样时 需确定抽样点数和抽样方法 逐个确定像元点的参考类别 实验采用的图像各类地物特征差异明显 可分性好 很适合通过目视解译选择训练样区 采用以上几种监督分类方法对图像进行分类 在Erdas软件的支持下 利用分类模块 Classifier 中AccuracyAssessment功能随机产生抽样点 再参照原始影像通过目视解译逐点确定参考类别 对抽样点进行准确地确定 然后执行评价 分别得到分类图的精度评估误差矩阵 并根据误差矩阵计算出总体精度和Kappa系数 表1不同监督分类方法下各类别的分类精度 表2不同分类监督分类方法的Kappa系数 马氏距离法最小距离法最大似然法 数据及图表的分析以上数据表明 不同的监督分类方法的分类精度不同 其中最大似然法分类精度最高 达到了80 8 Kappa系数为0 678 马氏距离法的分类精度居第二 达到77 2 Kappa系数0 586 在三种监督分类方法中 最小距离法的分类精度低 为72 2 Kappa系数是0 586 最大似然法比马氏距离法的Kappa系数大了0 076 最大似然法比最小距离法的Kappa系数大了0 092 5结论 通过实验操作和结果分析 可以得出结论 各种监督分类方法对于不同类别 不同数量样本的地物 其分类精度各不相同 没有一种是绝对的最好方法 在实际选用分类方法的过程中 要根据遥感影像的地物类别 光谱特征等综合考虑各因素 选用最合适的方法 这才是提高分类精度的有效手段 而多种分类方法的综合运用 是目前国内外的研究重点和科研前沿 综合运用两种或多种分类方法 对于分类精度的提高是较理想的手段 但是其联合判别机制的确定是比较复杂的 算法较复杂 运算时间长 对于