基于多分类器融合的高光谱图像分类算法研究的开题报告.docx

基于多分类器融合的高光谱图像分类算法研究的开题报告
开题报告
题目：基于多分类器融合的高光谱图像分类算法研究
一、研究背景及意义
高光谱遥感技术可以获取地物表面的高精度光谱信息，因此成为了目前遥感技术中的一种重要手段。高光谱数据的分类是高光谱图像处理分析的关键问题，也是综合利用高光谱遥感数据、获取地物信息的基础。目前，针对高光谱数据的分类算法研究相对较多，但是分类效果、时间效率等问题一直存在。为了解决这些问题，研究基于多分类器融合的高光谱图像分类算法显得尤为重要。该算法不仅可以提高分类精度，还可以提高分类速度和稳定性，从而使得高光谱图像的处理更为高效、准确。
二、研究内容及思路
本研究将重点研究基于多分类器融合的高光谱图像分类算法，主要内容包括以下几个方面：
1.分析目前高光谱图像分类算法的优劣势，介绍多分类器融合算法的相关概念和原理；
2.设计多分类器融合算法的框架，探究分类器的优化方法，如适用于高光谱图像的特征选择算法以及分类器的训练方法等；
3.实现算法并在公开数据集和实际遥感数据试验中对比多分类器融合算法与单一分类器算法，并进行定量分析；
4.优化算法性能，探究算法适用于不同遥感数据场景的方法。
三、研究方法
本研究将采用以下方法完成目标：
1.调研相关文献，深入了解高光谱数据分类的研究现状、发展趋势、可行性以及技术难点和方向，整理相关研究，以便对后续研究进行指导；
2.设计多分类器融合的高光谱图像分类算法，探究多分类器的优化方法，如特征选择和分类器的训练方法等；
3.实现算法并在公开数据集和实际遥感数据试验中对比多分类器融合算法与单一分类器算法，并进行定量分析；
4.优化算法的性能，探究算法适用于不同遥感数据场景的方法。
四、预期成果
1.本研究将设计出一种多分类器融合的高光谱图像分类算法，提高了高光谱遥感数据的分类精度和分类速度，并且具有很好的稳定性。
2.通过算法实现并测试，将得到并分析算法的精确度、召回率、F值和时间开销等数据指标。
3.实验结果将得到可视化的表述，如混淆矩阵和ROC曲线等，并对数据可视化进行优化。
五、研究进度计划
第一阶段：资料查找和算法设计，包括高光谱遥感技术及应用的文献调查、分类器融合算法设计等，耗时两个月；
第二阶段：代码实现及优化，包括数据预处理、算法实现、试验调试、性能优化等，耗时三个月；
第三阶段：试验验证与算法性能分析，包括在公开数据集和实际遥感数据集上的试验数据采集和实验验证、数据分析、算法性能评价等，耗时三个月；
第四阶段：论文撰写、查重、修改等，耗时两个月。
六、参考文献
[1]周奇，高光谱遥感图像分类研究综述，现代电子技术,2009(23):1-5。
[2]LiGuoqing,ZhangLiangpei.Advancesinhyperspectralimageclassification.ActaGeodaeticaetCartographicaSinica,2017,46(3):267-276.
[3]LiuH,ZhangL,LiZ,etal.Anovelspectral-spatialmethodforurbanland-useclassificationusinghyperspectralandLiDARdata[J].ISPRSJournalofPhotogrammetryandRemoteSensing,2018,138:44-59.
[4]ZhangL,ShaoX,HuangX,etal.Amethodofhyperspectralimageclassificationbasedonattributedecisiontree[J].JournalofAppliedRemoteSensing,2017,11(4):046009.
[5]SamuelPérez,JoaquínSalas,CeciliaVéliz,etal.Hyperspectralimageclassificationusingmultipleclassifiersandtime-seriesdescriptors.PatternRecognition,2017,63:372-385.