文档介绍：学校代码:10385分类号:研究生学号:1100214016密级:硕士学位论文随机森林及其在遥感图像分类中的应用Random Forests and Its Application to the Classification of Remote Sensing Image作者姓名:姚明煌指导教师:骆炎民副教授学科:计算机应用技术研究方向:模式识别、人工智能所在学院:计算机科学与技术学院论文提交日期:二零一四年三月三十一日万方数据学位论文独创性声明本人声明兹呈交的学位论文是本人在导师指导下完成的研究成果。论文写作中不包含其他人已经发表或撰写过的研究内容,如参考他人或集体的科研成果,均在论文中以明确的方式说明。本人依法享有和承担由此论文所产生的权利和责任。论文作者签名:签名日期:学位论文版权使用授权声明本人同意授权华侨大学有权保留并向国家机关或机构送交学位论文的复印件和电子版,允许学位论文被查阅和借阅。本人授权华侨大学可以将本学位论文的全部内容或部分内容编入有关数据库进行检索,可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。论文作者签名:指导教师签名:签名日期:签名日期:万方数据摘要I摘要随着遥感技术的不断发展,如何自动、准确、快速的为遥感图像分类一直是研究热点。由于红树林遥感图像训练样本获取困难,训练样本少,给自动化分类精度带来了很大的考验。本文在研究随机森林算法的基础上,结合TM图像的特征,提出了随机森林的改进算法,提升了自动化水平。随机森林以其适用于小样本、稳定性强等特点被广泛应用于遥感分类,为了提升遥感分类的精度和效率,本文在随机森林作基础上作如下工作:首先,为了提升TM遥感图像的分类精度,提出了完全随机的特征选取与组合的随机森林,能自动提取、挖掘TM图像中组合特征的信息。该算法是在特征线性组合的基础上加入了对特征组合个数的随机性和子特征空间大小的随机性,降低了随机森林的泛化误差,提升了分类精度。其次,为了提升随机森林的分类效率,提出了基于克隆选择的随机森林,该算法引用人工免疫思想对随机森林进行选择优化,优化后,很好的压缩了随机森林,分类效率更高,分类精度也进一步提升。最后,结合随机森林的性质,提出一个基于边缘最大化的未标签样本选取机制,实验证明,以该机制所选样本对提升随机森林的泛化能力有积极贡献。为了验证算法的有效性,所提算法都在UCI数据集上验证有效性,以保证通用性,并在遥感图像上和传统算法作进一步对比分析。关键词:遥感图像随机森林泛化误差克隆选择万方数据华侨大学硕士学位论文II万方数据AbstractIIIAbstractWith the development of remote sensingtechnology, how to classify the remote sensing image automatically、accurately and rapidly is the hotspot. Deriving of mangrove remote sensing image’s training sample is very hard, so it’s a big challenging to the accuracy of remote sensing. On basis of random forests, together with TM features, an improved Random Forests(RF) was proposed which is more automation. RF was widely used in classification of remote sensing image for its stability and suitable for small samples. In order to improve the accuracy and efficiency of classification of remote sensing image, several works was done on the basis of random forests:First, in order to distinguish classes which are more similar, a complete randomness feature combination random forest algorithm(CRFC_RF)was proposed, which can exploit