面向高空间分辨率遥感影像的建筑物目标识别方法研究
|
摘要
上世纪九十年代以来,高空间分辨率对地观测技术进入了飞速发展阶段,所获得的遥感数据除空间分辨率大大增强外,数据量也成几何倍数增加,开始广泛应用于测绘、农业、林业、城市规划、国土资源管理、地质矿产勘察、军事等各个领域。然而,与日益发达的对地观测技术相对应的影像处理和信息提取技术进展相对缓慢,特别是在目标地物信息表现丰富多样、能反映精细的地物空间结构和分布信息、在城市规划领域极具价值的高空间分辨率遥感影像的处理方面,目前仍没有一套精确高效的地物识别方法。人工目视解译仍然是最普遍使用的判读方法,费时费力,准确率难以保证,严重制约了高空间分辨率遥感影像的大规模应用,并且造成了影像数据的极大浪费。
基于此,本文总结了目前国内外常用的遥感目标识别方法和高空间分辨率遥感影像中建筑物目标识别方法,认为面向对象的遥感目标识别方式以其最接近人工判读习惯的识别模式,有着较强的应用前景。然而目前面向对象的识别方式发展还不完善,提取精度还不理想,对人工参与的要求仍然较高,大规模影像处理尚难实现。
针对目前面向对象遥感识别方法中存在的问题,本文以SINCE2008为实验平台,采用QuickBird遥感数据,进行了一系列的实验,提出了耦合GA与SVM的目标识别方法并进行了精度验证。
本文所作的工作如下:
(1)在SINCE2008平台中,对覆盖武汉城区的QuickBird遥感影像数据采用多种影像融合和影像增强的方法进行预处理,并利用分割结果选取最佳预处理方法。
(2)选取两组实验数据,使用均值漂移的分割方法,通过实验选择最优分割尺度和分割参数。
(3)总结建筑物在高空间分辨率遥感影像中所表现出的光谱、纹理、形状、拓扑等特征,并针对这些特征为建筑物识别制定类方案。
(4)总结了目前建筑物识别中常用的特征优化和分类方法,改进了传统的遗传算法,提出了耦合GA与SVM的基元目标识别方法,进行了实验验证并与传统的特征优化和分类方法的识别结果做了对比,证明该方法能够获得较高的识别精度。
Since the nineties of last century,high-resolution earth observation technology has entered a rapid development stage.Not only the spatial resolution has been greatly enhanced,but also the amount of the data has been increased rapidly.The high spatial resolution remote sensing images have been widely used in surveying and mapping,agriculture,forestry, urban planning,land resource management,geology and mineral resources survey,military and other fields.However,compared with the well-developed earth observation technology,the image processing and information extraction technology develops slowly.Especially in high spatial resolution remote sensing image processing,which can reflect the fine features in spatial structure and distribution of information,and has great potential application value in the field of urban planning,no accurate and effective identification method has been developed yet.The visual interpretation,which is time-consuming,laborious,and hard to guarantee the accuracy,is still the most widely used interpretation method.Thus,the large-scale application of the high spatial resolution remote sensing images does not come true,and a lot of image data is wasted.
Based on this,this article summarizes domestic and international target recognition methods which are commonly used in remote sensing images,and target recognition methods for buildings in high spatial resolution remote sensing images,puts forward that the object-oriented object recognition method for remote sensing images has a habit of identifying that is closest to the human interpretation,can lead to a strong application prospects.However,the he object-oriented object recognition method is not perfect yet,it still remands high artificial participation,and the extraction accuracy is not ideal.
Against these problems,this article uses SINCE2008 as the experimental platform,conducts a series of experiments with QuickBird data,proposes the coupling GA and SVM target recognition method and verifies its accuracy.
The main works of this article are as follows:
(1) In SINCE2008 platform,apply the pretreatment to QuickBird data of an area of Wuhan,using a variety of image fusion and image enhancement methods,find the best method by the segmentation results.
(2) Select two sets of experimental data,using mean-shift segmentation method,find the optimal segmentation scale and the segmentation parameters.
(3) Summarize the spectrum,texture,shape topology and other characteristics buildings have shown in high-resolution remote sensing images,develop the categories program for building recognition.
(4) Sum up the feature optimization and classification methods commonly used in building recognition,improve the traditional genetic algorithm,put forward the coupled GA and SVM target recognition method, make the experiments and compare the results with the original method.
(5) After the recognition,design a Primitive merging algorithm to merge all the Building Primitives.
基于此,本文总结了目前国内外常用的遥感目标识别方法和高空间分辨率遥感影像中建筑物目标识别方法,认为面向对象的遥感目标识别方式以其最接近人工判读习惯的识别模式,有着较强的应用前景。然而目前面向对象的识别方式发展还不完善,提取精度还不理想,对人工参与的要求仍然较高,大规模影像处理尚难实现。
针对目前面向对象遥感识别方法中存在的问题,本文以SINCE2008为实验平台,采用QuickBird遥感数据,进行了一系列的实验,提出了耦合GA与SVM的目标识别方法并进行了精度验证。
本文所作的工作如下:
(1)在SINCE2008平台中,对覆盖武汉城区的QuickBird遥感影像数据采用多种影像融合和影像增强的方法进行预处理,并利用分割结果选取最佳预处理方法。
(2)选取两组实验数据,使用均值漂移的分割方法,通过实验选择最优分割尺度和分割参数。
(3)总结建筑物在高空间分辨率遥感影像中所表现出的光谱、纹理、形状、拓扑等特征,并针对这些特征为建筑物识别制定类方案。
(4)总结了目前建筑物识别中常用的特征优化和分类方法,改进了传统的遗传算法,提出了耦合GA与SVM的基元目标识别方法,进行了实验验证并与传统的特征优化和分类方法的识别结果做了对比,证明该方法能够获得较高的识别精度。
Since the nineties of last century,high-resolution earth observation technology has entered a rapid development stage.Not only the spatial resolution has been greatly enhanced,but also the amount of the data has been increased rapidly.The high spatial resolution remote sensing images have been widely used in surveying and mapping,agriculture,forestry, urban planning,land resource management,geology and mineral resources survey,military and other fields.However,compared with the well-developed earth observation technology,the image processing and information extraction technology develops slowly.Especially in high spatial resolution remote sensing image processing,which can reflect the fine features in spatial structure and distribution of information,and has great potential application value in the field of urban planning,no accurate and effective identification method has been developed yet.The visual interpretation,which is time-consuming,laborious,and hard to guarantee the accuracy,is still the most widely used interpretation method.Thus,the large-scale application of the high spatial resolution remote sensing images does not come true,and a lot of image data is wasted.
Based on this,this article summarizes domestic and international target recognition methods which are commonly used in remote sensing images,and target recognition methods for buildings in high spatial resolution remote sensing images,puts forward that the object-oriented object recognition method for remote sensing images has a habit of identifying that is closest to the human interpretation,can lead to a strong application prospects.However,the he object-oriented object recognition method is not perfect yet,it still remands high artificial participation,and the extraction accuracy is not ideal.
Against these problems,this article uses SINCE2008 as the experimental platform,conducts a series of experiments with QuickBird data,proposes the coupling GA and SVM target recognition method and verifies its accuracy.
The main works of this article are as follows:
(1) In SINCE2008 platform,apply the pretreatment to QuickBird data of an area of Wuhan,using a variety of image fusion and image enhancement methods,find the best method by the segmentation results.
(2) Select two sets of experimental data,using mean-shift segmentation method,find the optimal segmentation scale and the segmentation parameters.
(3) Summarize the spectrum,texture,shape topology and other characteristics buildings have shown in high-resolution remote sensing images,develop the categories program for building recognition.
(4) Sum up the feature optimization and classification methods commonly used in building recognition,improve the traditional genetic algorithm,put forward the coupled GA and SVM target recognition method, make the experiments and compare the results with the original method.
(5) After the recognition,design a Primitive merging algorithm to merge all the Building Primitives.
引文
[I].Tavakovi M.and Rosendeld A..1982.Building and road extraction from aerial photographs.IEEE Transactions on Systems,Man,and Cybernetics,12(1):84-91.
[2].殷冬梅 吴简彤.基于BP网络的神经计算机系统设计[J].电脑应用技术,1999(45):1-4.
[3].李颖 赵文吉等.遥感影像的分类与识别技术在土地资源调查中的应用[J].长春科技大学学报,2001,31(3):261-264.
[4].王璐 刘艳华 刘振华 徐剑波 严会超.基于基本竞争型神经网络的TM影像分类研究[J].西北农林科技大学学报:自然科学版,2009(8):154-160,170.
[5].李海权 李春霞 吴彩银 胡召玲 钱小龙.基于纹理和BP神经网络的SAR图像分类[J].遥感信息,2009(3):58-63.
[6].Tavakovi M.and Rosendeld A.,1982.Building and road extraction from aerial photographs.IEEE Transactions on Systems,Man,and Cybernetics,12(1):84-91.
[7].Grun A.and Dan H.,1997.TOBAGO-a topology builder for the automated generation of building models.In "Automatic Extraction of Man-Made Objects from Aerial and Space Images Ⅱ",149-160.
[8].Noronha S.and Nevatia R.,2001.Detection and Description of Buildings from Multiple Aerial Images.IEEE Trans.Pattern Analysis and Machine Intelligence,23(5):501-518.
[9].陶文兵,田岩,张钧,田金文,柳健.航空影像矩形建筑物自动提取方法研究[J].宇航学报,2003,(4).
[10].Mayunga S.D.,Coleman D.J.and Zhang Y.,2007.A semi-automated approach for extracting buildings from Quickbird imagery applied to informal settlement mapping.International Journal of Remote Sensing,28(10):2343-2357.
[11].赵洁 李光耀 庞池海 朱恒晔.基于小波变换的卫星遥感地图中建筑物识别[J].计算机技术与发展,2008,18(11):243-246.
[12].Baatz M.and Sch(a|¨)pe A.,2000.Multiresolution Segmentation-an Optimization Approach for High Quality Multi-scale Image Segmentation.In:STROBL,J.et al.(Hrsg.):Angewandte Geographische Informations verarbeitung Ⅻ.Beitr(a|¨)ge zum AGIT-Symposium Salzburg 2000,Karlsruhe,Herbert Wichmann Verlag:12-23.
[13].宋晓宇,单新建.高空间分辨率卫星影像在城市建筑物识别中的初步应用[J].遥感信息,2002,(1).
[14].Inglada J.,and Giros A.,2004.Automatic man-made object recognition in high resolution remote sensing images,IGARSS 04,3:2011-2013.
[15].Song Z.,Pan C.,and Yang Q.,2006.A Region-Based Approach to Building Detection in Densely Build-Up High Resolution Satellite Image,ICIP 2006,3225-3228.
[16].刘正军,张继贤,孟亚宾,梁欣廉,孙晓霞.基于分类与形态综合的高空间分辨率影像建筑物提取方法研究[J].测绘科学,2007,(3).
[17].周小成 汪小钦 骆剑承 沈占锋 吴波.结合对象关系特征的高空间分辨率卫星影像建筑物识别方法[J].国土资源遥感,2008(4):27-31.
[18].赵英时编.遥感应用分析原理与方法.科学出版社.2003
[19].黄慧平,吴炳方.基于区域合并影像分割技术的多尺度地表景观分析[J].地理科学进展 2004,23(3):9-15
[20].Vapnik V N.Statistical leaning theory[M].New York:Wiley Interscience,1998.
[21].[美]Nello Cristianini,John Shawe-Taylor著.李国正,王猛,曾华军译.支持向量机导论[M].北京:电子工业出版社,2004
[22].Holland J.H.Genetic Algorithms and the Optimal Allocations of Trials [J].SIAM Journal of Computing,1973,2:88-105.
[23].Holland J.H.Adaptation in Natural and Artificial System.Ann Arbor:The University of Michigan Press,1975.
[24].章新华.遗传算法及其应用[J].火力与指挥控制,1997,22(4):49-53.
[25].何爱香,朱云华,安凯.基于遗传算法和支持向量机的肿瘤分子分类[J].数据采集与处理,2007,22(1):84-89.
[26].赵小艳.QuickBird影像在城市总体规划中的应用研究[D].华中科技大学,2006
[27].李树伟.城市总体规划动态监测研究——以新乡市为例[D].北京林业大学,2008.
[28].付卓.高空间分辨率遥感卫星影像中城市人工地物提取方法研究[D].北京交通大学,2006.
[29].费鲜芸.高空间分辨率遥感影像在城市绿地信息提取中的应用研究[D].山东农业大学,2006.
[30].谷宁.基于eCognition的城市规划动态监测技术研究[D].北京林业大学,2007.
[31].王文宇,李博.基于eCognition的高空间分辨率遥感图像的自动识别分类技术[J].北京建筑工程学院学报,2006,22(4)
[32].苏伟,李京,陈云浩等.基于多尺度影像分割的面向对象城市土地覆被分类研究——以马来西亚吉隆坡市城市中心区为例[J].遥感学报,2007,11(4)
[33].蔡银桥,毛政元.基于多特征对象的高空间分辨率遥感影像分类方法及其应用[J].国土资源遥感,2007,(1)
[34].吴洪涛,刘晶东.几种基于高空间分辨率遥感影像分类技术的分析与探讨[J].测绘与空间地理信息,2008,31(2)
[35].杜凤兰,田庆久.面向对象的地物分类法分析与评价[J].遥感技术与应用,2004,19(1)
[36].游丽平.面向对象的高空间分辨率遥感影像分类方法研究[D].福建师范大学,2007.
[37].孟亚宾.高空间分辨率卫星影像建筑物轮廓提取方法研究[D].辽宁工程技术大学,2006.
[38].郑文娟.面向对象的遥感影像模糊分类方法研究[J].北京测绘,2009,(3)
[39].颜宏娟.面向对象的遥感影像模糊分类方法研究[D].西安科技大学,2008.
[40].齐义娜.面向对象的高空间分辨率遥感影像信息提取与尺度效应分析[D].东北师范大学,2009.
[41].李敏,崔世勇,李成名等.面向对象的高空间分辨率遥感影像信息提取——以耕地提取为例[J].遥感信息,2008,(6)
[42].张俊,汪云甲.一种面向对象的高空间分辨率影像最优分割尺度选择算法[J].科技导报,2009,27(21)
[43].莫登奎,林辉,孙华等.基于高空间分辨率遥感影像的土地覆盖信息提取[J].遥感技术与应用,2005,20(4)
[44].周春艳,王萍,张振勇等.基于面向对象信息提取技术的城市用地分类[J].遥感技术与应用,2008,23(1)
[45].曹雪,柯长青.基于对象级的高空间分辨率遥感影像分类研究[J].遥感信息,2006,(5)
[46].钦伟瑾.基于对象的城市遥感影像分类方法及应用研究——以西安市阎良区为例[D].长安大学,2009.
[47].唐伟,赵书河,王培法.面向对象的高空间分辨率遥感影像道路信息的提取[J].地球信息科学,2008,10(2)
[48].叶菁.空间特征在高空间分辨率遥感影像土地利用分类中的应用[D].中国地质大学(武汉),2007.
[49].汪求来.面向对象遥感影像分类方法及其应用研究——以深圳市福田区植被提取为例[D].南京林业大学,2008.
[50].田新光.面向对象高空间分辨率遥感影像信息提取[D].中国测绘科学研究院,2007.
[51].顾娟,张宏伟.高空间分辨率遥感影像上居民地面向对象分类提取方法[A].第16届全国遥感技术学术交流会论文汇编[C].2007.
[52].王惠英,苏伟,周军其.基于多分类器组合面向对象遥感影像信息提取方法[J].测绘工程,2009,18(5)
[53].王文宇,李博.基于eCogniton的高空间分辨率遥感图像的自动识别分类技术[J].北京建筑工程学院学报,2006,22(4)
[54].冼广铭.支持向量机在分类和回归中的研究[D].华南理工大学,2007.
[55].张淑雅,赵一鸣,李均利.基于SVM的图像分类算法与实现[J].计算机工程与应用,2007,43(25)
[56].李大芳.基于ISAR图像目标识别算法的研究[D].哈尔滨工业大学,2004.
[57].卢伟.基于小波变换和SVM的遥感图像分类[D].桂林理工大学,2009.
[58].沈新宇.基于直推式支持向量机的图像分类算法研究与应用[D].北京交通大学,2007.
[59].尚燕.纹理图像分类算法的研究[D].燕山大学,2007.
[60].刘治国.支持向量机算法在TM多光谱图像分类中的应用与实现[D].中国地质大学(北京),2006.
[61].葛广英.基于神经网络的运动目标检测和模式识别的研究[D].南京大学,2005.
[62].罗瑜.支持向量机在机器学习中的应用研究[D].西南交通大学,2007.
[63].苏杰.数字图像的特征提取与分类研究[D].中国科学技术大学,2008.
[64].王瑞平,万柏坤,高上凯.使用遗传算法的乳腺微钙化点特征优化[J].电子科技大学学报,2007,36(1)
[65].周莉.基于特征优化选取和神经网络分类的在线手写签名验证技术[D].武汉理工大学,2005.
[66].李军梅,胡以华,陈修桥.模式识别的特征优化专家系统研究[J].电光与控制,2006,13(1)
[67].陆阳.基于支持向量机的水中目标识别技术研究[D].西北工业大学,2006.
[68].牛丽红,倪国强.多传感器目标识别系统的特征优化方法[J].光学技术,2005,31(3)
[69].许建强.基于遗传算法的支撑向量机的特征选取[J].计算机工程,2004,30(24)
[70].王宏勇,侯惠芳,刘素华.基于遗传算法和支持向量机的玉米品种识别[J].计算机工程与应用,2008,44(18)
[71].程洪,李江涛,史智兴等.玉米籽粒的特征选择算法——基于支持向量机与遗传算法[J].农机化研究,2009,31(2)
[72].改进遗传算法和支持向量机的特征选择算法[J].计算机工程与应用,2009,45(29)
[7 3].胡桥,郝保安,吕林夏.基于组合支持向量机的水声目标智能识别研究[J].应用声学,2009,28(6)
[74].韦振中,黄廷磊.基于支持向量机和遗传算法的特征选择[J].广西工学院学报,2006,17(2)
[75].毛勇.基于支持向量机的特征选择方法的研究与应用[D].浙江大学,2006.
[76].肖忠良.一种改进的RBF神经网络多目标优化算法[J].科学技术与工程,2009,9(21)
[77].张益群.一种改进的遗传优化算法—GA-Complex算法[J].昆明理工大学学报(理工版),2000,25(2)
[78].孙小勇.一种改进的遗传优化算法[J].信息通信技术,2008,(5)
[79].周建中,张勇传,王光谦.随机进化搜索算法及其收敛性[J].水电能源科学,2009,27(4)
[80].林丹,李敏强,寇纪凇.基于实数编码的遗传算法的收敛性研究[J].计算机研究与发展,2000,37(11)
[81].屠昂燕,陈建成.遗传算法的收敛性研究[J].湖北第二师范学院学报,2008,25(2)
[82].曹建文.遗传算法收敛性问题研究[J].中南林业科技大学学报,2008,28(3)
[2].殷冬梅 吴简彤.基于BP网络的神经计算机系统设计[J].电脑应用技术,1999(45):1-4.
[3].李颖 赵文吉等.遥感影像的分类与识别技术在土地资源调查中的应用[J].长春科技大学学报,2001,31(3):261-264.
[4].王璐 刘艳华 刘振华 徐剑波 严会超.基于基本竞争型神经网络的TM影像分类研究[J].西北农林科技大学学报:自然科学版,2009(8):154-160,170.
[5].李海权 李春霞 吴彩银 胡召玲 钱小龙.基于纹理和BP神经网络的SAR图像分类[J].遥感信息,2009(3):58-63.
[6].Tavakovi M.and Rosendeld A.,1982.Building and road extraction from aerial photographs.IEEE Transactions on Systems,Man,and Cybernetics,12(1):84-91.
[7].Grun A.and Dan H.,1997.TOBAGO-a topology builder for the automated generation of building models.In "Automatic Extraction of Man-Made Objects from Aerial and Space Images Ⅱ",149-160.
[8].Noronha S.and Nevatia R.,2001.Detection and Description of Buildings from Multiple Aerial Images.IEEE Trans.Pattern Analysis and Machine Intelligence,23(5):501-518.
[9].陶文兵,田岩,张钧,田金文,柳健.航空影像矩形建筑物自动提取方法研究[J].宇航学报,2003,(4).
[10].Mayunga S.D.,Coleman D.J.and Zhang Y.,2007.A semi-automated approach for extracting buildings from Quickbird imagery applied to informal settlement mapping.International Journal of Remote Sensing,28(10):2343-2357.
[11].赵洁 李光耀 庞池海 朱恒晔.基于小波变换的卫星遥感地图中建筑物识别[J].计算机技术与发展,2008,18(11):243-246.
[12].Baatz M.and Sch(a|¨)pe A.,2000.Multiresolution Segmentation-an Optimization Approach for High Quality Multi-scale Image Segmentation.In:STROBL,J.et al.(Hrsg.):Angewandte Geographische Informations verarbeitung Ⅻ.Beitr(a|¨)ge zum AGIT-Symposium Salzburg 2000,Karlsruhe,Herbert Wichmann Verlag:12-23.
[13].宋晓宇,单新建.高空间分辨率卫星影像在城市建筑物识别中的初步应用[J].遥感信息,2002,(1).
[14].Inglada J.,and Giros A.,2004.Automatic man-made object recognition in high resolution remote sensing images,IGARSS 04,3:2011-2013.
[15].Song Z.,Pan C.,and Yang Q.,2006.A Region-Based Approach to Building Detection in Densely Build-Up High Resolution Satellite Image,ICIP 2006,3225-3228.
[16].刘正军,张继贤,孟亚宾,梁欣廉,孙晓霞.基于分类与形态综合的高空间分辨率影像建筑物提取方法研究[J].测绘科学,2007,(3).
[17].周小成 汪小钦 骆剑承 沈占锋 吴波.结合对象关系特征的高空间分辨率卫星影像建筑物识别方法[J].国土资源遥感,2008(4):27-31.
[18].赵英时编.遥感应用分析原理与方法.科学出版社.2003
[19].黄慧平,吴炳方.基于区域合并影像分割技术的多尺度地表景观分析[J].地理科学进展 2004,23(3):9-15
[20].Vapnik V N.Statistical leaning theory[M].New York:Wiley Interscience,1998.
[21].[美]Nello Cristianini,John Shawe-Taylor著.李国正,王猛,曾华军译.支持向量机导论[M].北京:电子工业出版社,2004
[22].Holland J.H.Genetic Algorithms and the Optimal Allocations of Trials [J].SIAM Journal of Computing,1973,2:88-105.
[23].Holland J.H.Adaptation in Natural and Artificial System.Ann Arbor:The University of Michigan Press,1975.
[24].章新华.遗传算法及其应用[J].火力与指挥控制,1997,22(4):49-53.
[25].何爱香,朱云华,安凯.基于遗传算法和支持向量机的肿瘤分子分类[J].数据采集与处理,2007,22(1):84-89.
[26].赵小艳.QuickBird影像在城市总体规划中的应用研究[D].华中科技大学,2006
[27].李树伟.城市总体规划动态监测研究——以新乡市为例[D].北京林业大学,2008.
[28].付卓.高空间分辨率遥感卫星影像中城市人工地物提取方法研究[D].北京交通大学,2006.
[29].费鲜芸.高空间分辨率遥感影像在城市绿地信息提取中的应用研究[D].山东农业大学,2006.
[30].谷宁.基于eCognition的城市规划动态监测技术研究[D].北京林业大学,2007.
[31].王文宇,李博.基于eCognition的高空间分辨率遥感图像的自动识别分类技术[J].北京建筑工程学院学报,2006,22(4)
[32].苏伟,李京,陈云浩等.基于多尺度影像分割的面向对象城市土地覆被分类研究——以马来西亚吉隆坡市城市中心区为例[J].遥感学报,2007,11(4)
[33].蔡银桥,毛政元.基于多特征对象的高空间分辨率遥感影像分类方法及其应用[J].国土资源遥感,2007,(1)
[34].吴洪涛,刘晶东.几种基于高空间分辨率遥感影像分类技术的分析与探讨[J].测绘与空间地理信息,2008,31(2)
[35].杜凤兰,田庆久.面向对象的地物分类法分析与评价[J].遥感技术与应用,2004,19(1)
[36].游丽平.面向对象的高空间分辨率遥感影像分类方法研究[D].福建师范大学,2007.
[37].孟亚宾.高空间分辨率卫星影像建筑物轮廓提取方法研究[D].辽宁工程技术大学,2006.
[38].郑文娟.面向对象的遥感影像模糊分类方法研究[J].北京测绘,2009,(3)
[39].颜宏娟.面向对象的遥感影像模糊分类方法研究[D].西安科技大学,2008.
[40].齐义娜.面向对象的高空间分辨率遥感影像信息提取与尺度效应分析[D].东北师范大学,2009.
[41].李敏,崔世勇,李成名等.面向对象的高空间分辨率遥感影像信息提取——以耕地提取为例[J].遥感信息,2008,(6)
[42].张俊,汪云甲.一种面向对象的高空间分辨率影像最优分割尺度选择算法[J].科技导报,2009,27(21)
[43].莫登奎,林辉,孙华等.基于高空间分辨率遥感影像的土地覆盖信息提取[J].遥感技术与应用,2005,20(4)
[44].周春艳,王萍,张振勇等.基于面向对象信息提取技术的城市用地分类[J].遥感技术与应用,2008,23(1)
[45].曹雪,柯长青.基于对象级的高空间分辨率遥感影像分类研究[J].遥感信息,2006,(5)
[46].钦伟瑾.基于对象的城市遥感影像分类方法及应用研究——以西安市阎良区为例[D].长安大学,2009.
[47].唐伟,赵书河,王培法.面向对象的高空间分辨率遥感影像道路信息的提取[J].地球信息科学,2008,10(2)
[48].叶菁.空间特征在高空间分辨率遥感影像土地利用分类中的应用[D].中国地质大学(武汉),2007.
[49].汪求来.面向对象遥感影像分类方法及其应用研究——以深圳市福田区植被提取为例[D].南京林业大学,2008.
[50].田新光.面向对象高空间分辨率遥感影像信息提取[D].中国测绘科学研究院,2007.
[51].顾娟,张宏伟.高空间分辨率遥感影像上居民地面向对象分类提取方法[A].第16届全国遥感技术学术交流会论文汇编[C].2007.
[52].王惠英,苏伟,周军其.基于多分类器组合面向对象遥感影像信息提取方法[J].测绘工程,2009,18(5)
[53].王文宇,李博.基于eCogniton的高空间分辨率遥感图像的自动识别分类技术[J].北京建筑工程学院学报,2006,22(4)
[54].冼广铭.支持向量机在分类和回归中的研究[D].华南理工大学,2007.
[55].张淑雅,赵一鸣,李均利.基于SVM的图像分类算法与实现[J].计算机工程与应用,2007,43(25)
[56].李大芳.基于ISAR图像目标识别算法的研究[D].哈尔滨工业大学,2004.
[57].卢伟.基于小波变换和SVM的遥感图像分类[D].桂林理工大学,2009.
[58].沈新宇.基于直推式支持向量机的图像分类算法研究与应用[D].北京交通大学,2007.
[59].尚燕.纹理图像分类算法的研究[D].燕山大学,2007.
[60].刘治国.支持向量机算法在TM多光谱图像分类中的应用与实现[D].中国地质大学(北京),2006.
[61].葛广英.基于神经网络的运动目标检测和模式识别的研究[D].南京大学,2005.
[62].罗瑜.支持向量机在机器学习中的应用研究[D].西南交通大学,2007.
[63].苏杰.数字图像的特征提取与分类研究[D].中国科学技术大学,2008.
[64].王瑞平,万柏坤,高上凯.使用遗传算法的乳腺微钙化点特征优化[J].电子科技大学学报,2007,36(1)
[65].周莉.基于特征优化选取和神经网络分类的在线手写签名验证技术[D].武汉理工大学,2005.
[66].李军梅,胡以华,陈修桥.模式识别的特征优化专家系统研究[J].电光与控制,2006,13(1)
[67].陆阳.基于支持向量机的水中目标识别技术研究[D].西北工业大学,2006.
[68].牛丽红,倪国强.多传感器目标识别系统的特征优化方法[J].光学技术,2005,31(3)
[69].许建强.基于遗传算法的支撑向量机的特征选取[J].计算机工程,2004,30(24)
[70].王宏勇,侯惠芳,刘素华.基于遗传算法和支持向量机的玉米品种识别[J].计算机工程与应用,2008,44(18)
[71].程洪,李江涛,史智兴等.玉米籽粒的特征选择算法——基于支持向量机与遗传算法[J].农机化研究,2009,31(2)
[72].改进遗传算法和支持向量机的特征选择算法[J].计算机工程与应用,2009,45(29)
[7 3].胡桥,郝保安,吕林夏.基于组合支持向量机的水声目标智能识别研究[J].应用声学,2009,28(6)
[74].韦振中,黄廷磊.基于支持向量机和遗传算法的特征选择[J].广西工学院学报,2006,17(2)
[75].毛勇.基于支持向量机的特征选择方法的研究与应用[D].浙江大学,2006.
[76].肖忠良.一种改进的RBF神经网络多目标优化算法[J].科学技术与工程,2009,9(21)
[77].张益群.一种改进的遗传优化算法—GA-Complex算法[J].昆明理工大学学报(理工版),2000,25(2)
[78].孙小勇.一种改进的遗传优化算法[J].信息通信技术,2008,(5)
[79].周建中,张勇传,王光谦.随机进化搜索算法及其收敛性[J].水电能源科学,2009,27(4)
[80].林丹,李敏强,寇纪凇.基于实数编码的遗传算法的收敛性研究[J].计算机研究与发展,2000,37(11)
[81].屠昂燕,陈建成.遗传算法的收敛性研究[J].湖北第二师范学院学报,2008,25(2)
[82].曹建文.遗传算法收敛性问题研究[J].中南林业科技大学学报,2008,28(3)
© 2004-2018 中国地质图书馆版权所有 京ICP备05064691号 京公网安备11010802017129号 地址：北京市海淀区学院路29号 邮编：100083 电话：办公室：(+86 10)66554848；文献借阅、咨询服务、科技查新：66554700 |