應用數(shù)學畢業(yè)論文開題報告范文
開題報告是開題者在確認論文主題之后，對論文初步確定內(nèi)容的撰寫，下面是小編搜集整理的應用數(shù)學畢業(yè)論文開題報告范文，歡迎閱讀參考。
題目：基于模糊三I算法的遙感影像聚類分析關(guān)鍵技術(shù)研究
1、選題的依據(jù)和目的
遙感技術(shù)經(jīng)過40多年的發(fā)展，無論在光譜分辨率、空間分辨率、時間分辨率等方面都有著極大的進步，己經(jīng)形成高光譜、高空間分辨率、全天時、全天候、實時的對地觀測能力。隨著各種類型空間傳感器的大量應用及其分辨率的迅速提高，高分辨率遙感影像可以提供越來越多的地表物體的形狀結(jié)構(gòu)與紋理信息。因此，充分利用高分辨率衛(wèi)星遙感影像，結(jié)合數(shù)學理論、計算機圖形學、計算機視覺、模式識別、人工智能等科學技術(shù)，研究目標的自動提取有著十分重要的理論和現(xiàn)實意義。
遙感影像是對地面特征的綜合，在對遙感影像的研究和應用中，人們往往對影像中的某些部分感興趣這些部分常稱為目標或前景(其它部分稱為背景)它們一般對應圖像中特定的、具有獨特性質(zhì)的區(qū)域。為了辨識和分析影像中的目標，需要將這些有關(guān)區(qū)域從影像中分離提取出來，在此基礎(chǔ)上才有可能對目標進一步利用，如進行地物的利用詳查和地物的識別等。
遙感影像聚類就是指把影像分成各具特性的區(qū)域并提取出感興趣目標的技術(shù)和過程，而這里的特征指的就是遙感影像特征，可以是顏色灰度、紋理等，目標可以對應單個區(qū)域，也可以對應多個區(qū)域。遙感影像聚類是遙感影像分析的一個重要內(nèi)容。從遙感影像中自動提取各類地物或其它建筑物類別等是攝影測量與遙感領(lǐng)域的難題和重點，它對于攝影測量和遙感影像分析自動化起到至關(guān)重要的作用。
在過去的三十多年里，地物提取在攝影測量界和計算機視覺界受到了廣泛的重視，針對不同的影像類型、不同的影像分辨率、不同區(qū)域的影像和不同的道路類型，人們提出了許多從航空和遙感影像中提取地物的方法。
隨著遙感衛(wèi)星數(shù)據(jù)獲取技術(shù)的不斷發(fā)展，遙感影像空間分辨率不斷增高，已經(jīng)達到甚至突破米級，如IKONOS和QUCIKBIRD影像。遙感影像中存儲著極為豐富的信息，影像特征結(jié)構(gòu)復雜，既包括地形、植被、水文這樣的自然特征，又包含房屋和道路這樣的人工地物。隨著影像分辨率的提高，影像細節(jié)特征越來越豐富，地物目標也越來越多，許多較混合的在低分辨率影像上難以辨別的地物也能分辨出來。可是，隨之而來的是影像上細小目標、陰影等非目標噪聲也更越來越多，利用目前已有方法來自動提取高分辨率影像地物特征則比較困難。因此，如何有效地利用高分辨率影像的高分辨率特性提取地物，是非常具有現(xiàn)實意義的。
2、國內(nèi)外的研究現(xiàn)狀
遙感影像聚類就是將遙感影像中具有某些共同特征的像元聚集到同一類別去的過程。遙感技術(shù)的新方法、新技術(shù)不斷出現(xiàn)，從目視判讀、計算機自動解譯和人機交互等環(huán)節(jié)不斷完善遙感影像的聚類。
近些年來，越來越多的研究人員開始關(guān)注高分辨率遙感影像的聚類技術(shù)。目前，很多國內(nèi)外的文獻中都闡述的是利用一些傳統(tǒng)的聚類方法加以改進類進行高分辨率遙感影像的聚類。比如傳統(tǒng)的聚類方法總的可以概括為監(jiān)督聚類和非監(jiān)督聚類方法(Toll 1984; Xia 1996)。
監(jiān)督聚類算法包括如基于最小錯誤概率的Bayes聚類算法、極大似然法、Fisher線性判別法、最小距離法和BP神經(jīng)網(wǎng)絡(luò)聚類法等。這些方法就是首先根據(jù)類別的先驗知識確定判別函數(shù)和相應的判別準則，其中利用一定數(shù)量的己知類別的樣本(稱為訓練樣本)的觀測值確定判別函數(shù)的中待定參數(shù)的過程稱之為學習或者訓練，然后將未知的樣本的觀測值代入判別函數(shù)，再根據(jù)判別準則來對該樣本的所屬類別作出判斷。這種方法如果在聚類過程中注意訓練區(qū)的質(zhì)量，可以達到較好的聚類效果。但是以極大似然聚類法為例，這種方法要求利用先驗知識及概率，并且樣本呈正態(tài)分布、具有良好的統(tǒng)計性等條件，有時無法滿足，得不到足夠的訓練信息。尤其對于非高斯分布的樣本數(shù)據(jù)會導致聚類精度的大大降低。
非監(jiān)督聚類包括ISODATA算法、k均值、改進的模糊k均值算法以及前些年發(fā)展起來的一種嶄新的全局優(yōu)化算法-----遺傳算法(Genetic Algorithm，GA)，它借用了生物遺傳學的觀點，通過自然選擇、遺傳、變異等作用機制，實現(xiàn)各個個體的適應性的提高(Sanghamitra，Bandyopadhyaya，2002;Mind-Der Yang，2004)。還有些通過在基于像素的傳統(tǒng)的聚類器中結(jié)合紋理和上下文信息來提高聚類的精度(Gong & Howarth 1990，1992;Sali & Wolfson 1992;Karathanssi et a1.2000;Debeir et a1.2002)。這幾種方法聚類簡單、易操作。但是，這些方法的缺點在于需要事先確定各個類別的初始聚類中心和聚類數(shù)目(遺傳算法可不設(shè)定聚類數(shù)目)，自動設(shè)置各類別中心到現(xiàn)在為止還沒有一個切實有效的方法，而且從肉眼觀察很難獲得一幅遙感圖像中類別的數(shù)目。
雖然近幾年來也發(fā)展了諸如人工神經(jīng)網(wǎng)絡(luò)、模糊聚類、決策樹聚類、專家系統(tǒng)聚類法以及其他一些紋理聚類算法。這些算法能較好地改善中、低分辨率遙感圖像聚類精度，但是仍存在一些問題。而在實際的應用中，只能結(jié)合具體的情況，選擇較為合適的聚類方法。
3、研究的主要內(nèi)容及創(chuàng)新點
本論文的研究內(nèi)容與創(chuàng)新點主要體現(xiàn)在以下幾個方面：
1、 提出一種比較適用的影像聚類算法---基于模糊Bayes-Gauss判別的遙感影像聚類算法，該算法綜合運用了模糊集理論的知識，通過對模糊隸屬度函數(shù)的確定來修正傳統(tǒng)Bayes算法中的先驗概率，獲得了比較滿意的高分辨率遙感影像的聚類算法。
2、 將灰色度理論應用于樣本均值的求解中，克服了傳統(tǒng)的利用簡單求和取平均來求樣本均值的缺陷，即各樣本元素所取的權(quán)值均相等。利用灰色度理論求出來的均值向量不受噪聲的影響，從而使得均值向量更能合理地表示出樣本的特性，更有利于影像的聚類。
3、 基于有監(jiān)督聚類樣本的采集較為片面，或者采集的樣本塊非常大，不利于影像的聚類。結(jié)合Fuzzy邏輯推理中的三I算法，提出了模糊熵三I算法。該算法綜合運用了有監(jiān)督聚類和Fuzzy邏輯推理的知識，改善了傳統(tǒng)監(jiān)督聚類的單樣本的缺點，使得獲得的樣本信息更為全面，不僅可以克服同類本身顏色的差異，而且還可以克服異類間顏色相近的聚類難題。
4、研究方案、進度安排、預期到達的目標
1)研究方案
在研究中把模糊數(shù)學的知識應用到影像聚類中，并且希望找到非經(jīng)典數(shù)理邏輯中的三I算法與影像聚類的結(jié)合之處，然后再運用模糊推理的知識，綜合已經(jīng)獲取的各類多樣本信息特征對影像元素進行聚類判別。
2)進度安排
20XX.08 ---- 20XX.09，進一步完善資料的收集，加深對影像模糊聚類知識的理解;
20XX.10 -----20XX.11，細閱讀文獻，探索利用模糊邏輯學進行影像聚類的創(chuàng)新點;
20XX.12 -----20XX.01，綜合分析材料，著手撰寫論文框架內(nèi)容;
20XX.02 -----20XX.03，畢業(yè)論文的撰寫、錄入以及排版;
20XX.04 -----20XX.05，論文送審與答辯。
3) 預期達到的'目標
通過對傳統(tǒng)Bayes算法的改進，運用模糊數(shù)學的知識，提出模糊Bayes-Gauss聚類算法，以達到改善聚類的效果。然而，改進的模糊Bayes-Gauss聚類算法中存在特征提取的不合理性以及單樣本特征的狹隘性，致使算法的精度不是很高。為改進單樣本監(jiān)督特征提取的缺陷性以及特征向量權(quán)值的不合理性，運用模糊邏輯的三I算法，并結(jié)合灰色關(guān)聯(lián)度理論對模糊Bayes-Gauss聚類算法進行改進，更好的改善了聚類效果、提高聚類精度。
5、完成課題已具備和所需的條件及經(jīng)費
經(jīng)過三個學期自己努力勤奮的學習，同時在導師的悉心指導下，本人已初步掌握了對該課題的研究所涉及基本問題的方法和手段，并且在此基礎(chǔ)上有了自己一定的想法。同時，學院建有好的實驗環(huán)境，給論文的撰寫提供了方便。
6、研究的重點和難點，以及擬采取的解決方法
(一)研究過程中的重點
1) 對于改進后的模糊Bayes-Gauss聚類算法，要使其盡可能少的受到外界條件的干擾，比較好的提取出完整的各類地物;
2)各地物類別的特征提取及特征提取中權(quán)值如何分配;
3)具體選用地物哪些特征信息作為聚類判別的依據(jù);
4)在對遙感影像的聚類過程中，對提取出來的地物特征以何種方式來進行聚類判別，以及尋找模糊推理與非經(jīng)典數(shù)理邏輯的結(jié)合點是研究的關(guān)鍵部分。
(二)研究過程中的難點
1)對于改進的模糊Bayes-Gauss聚類算法，要讓其盡可能少的受到外界條件的干擾，提高聚類的精度。目前的影像聚類算法中，均還不能很好的適應各種環(huán)境條件，使得聚類精度不高。因此，要構(gòu)造能適應各種環(huán)境的算法是一大難點;
2)在影像聚類中，由于影像中可能存在同一類別顏色具有很大的差異，導致傳統(tǒng)的有監(jiān)督聚類算法不可再有用，如何僅根據(jù)顏色特征來進行聚類亦是研究的一大難點;
3)目前的特征提取中，類別特征是利用已知的樣本信息獲得的，且各樣本元素的權(quán)值相同，若同類樣本中包含個別異類元素，權(quán)值也取一樣會導致特征的誤差性。從而，如何合理地分配各樣本元素的權(quán)值也是研究的難點;
4)在遙感影像聚類的過程中，尋找模糊推理與非經(jīng)典數(shù)理邏輯的結(jié)合點來對提取的特征信息進行聚類判別;
(三)擬采取的解決方法
1)對改進的聚類算法，讓其盡可能少的受到外界條件的干擾
首先，對獲得的影像進行預處理，盡量地避免因為外界因素的影像而干擾聚類;其次，盡可能多的考慮一些外界的干擾因素，并將其編寫入自動識別的程序中，從而使得改進的算法能夠比較好的適應各種外界環(huán)境。
2)如何解決同一類別包含不同顏色區(qū)域的聚類
通過提取同一類別的不同樣本來獲得顏色差異的特征值，以此解決因為顏色的差異而引起聚類效果很差及精度不高的問題;或者尋找其它的地物特征進行地物聚類。
3)樣本元素中權(quán)值分配的合理性取法
由于傳統(tǒng)的監(jiān)督聚類算法中，通過采集的樣本獲取類別特征具有不合理性，因而尋找權(quán)值優(yōu)化方法是解決此問題的關(guān)鍵。本文將秉承優(yōu)化原則，利用灰色關(guān)聯(lián)度理論優(yōu)化獲得的樣本中各元素的權(quán)值。
4)在聚類判別過程中，尋找模糊推理與非經(jīng)典數(shù)理邏輯的結(jié)合點
查找相關(guān)資料，在研究過程中認真思考與總結(jié)，同時不斷的進行相關(guān)性的實驗，通過大量的實驗尋找解決辦法;
7、主要參考文獻
[1] 錢樂祥.遙感數(shù)字影像處理與地理特征提取[M].北京:科學出版社,2004.
[2] Agrawal A, Kumar N, Radhakrishna M. Multispectral image classification: a supervised neuralcomputation app roach based on rough2fuzzy membership function and weak fuzzy similarityrelation [J].International Journal of Remote Sensing,2007,28(20):4597-4608.
[3] Yamazaki T, GingrasD. Unsupervised multispectral image classification using MRF models andVQ Method [J].IEEE Transactions on Geoscience and Remote Sensing,1999,37(2):1173-1175.
[4] 尹作霞,杜培軍.面向?qū)ο蟮母吖庾V遙感影像分類方法研究[J].遙感應用,2007,4:29-32.
[5] 劉建平,趙英石,孫淑玲.高光譜遙感數(shù)據(jù)最佳波段選擇方法試驗研究[J].遙感技術(shù)與應用,2001,16(1):6-13.
[6] 于一. K-近鄰法的文本分類算法分析與改進[J].火力與指揮控制,2008,33(4):143-145.
[7] 楊勇,鄭崇勛,林盤.基于改進的模糊C均值聚類圖像分割新算法[J].光電子?激光, 2005,16(9):1118-1122.
[8] 萬建,王繼成,基于ISODATA算法的彩色圖像分割[J].計算機工程,2002,5(28):135-136.
[9] 尹軍梅,楊明.一種面向單個正例的Fisher線性判別分類方法[J].南京師范大學學報(工程技術(shù)版),2008,8(3):61-65.
[10] 付麗, 孫紅帆,楊勇,谷欣超,孫爽滋.基于貝葉斯分類器的圖像分類技術(shù)[J].長春理工大學學報(自然科學版),2009,32(1):132-134.
[11] 邊肇棋,張學工.模式識別[M].北京:清華大學出版社,2001.
[12] 陳水利,李敬功,王向公.模糊集理論及其應用[M].科學出版社,2005.
[13] Luca D A , Termini S. A definition of non-probabilistic entropy in the setting of fuzzy sets thoery [J ]. Inform. Con-t rol, 1972, 20: 301～ 312.
[14] 王國俊.非經(jīng)典數(shù)理邏輯與近似推理(第二版)[M].科學出版社,2008.
[15] 郭方芳,陳圖云,夏尊銓.基于極大模糊熵原理的模糊推理三I算法[J].模糊系統(tǒng)與數(shù)學,2003,17(4):55-59.
[16] Laviolette M,Seaman J W,Barrett J D,et al. A probabilistic and statistical view of fuzzy methods[J].Technometrics,1995,37(3):249-261.
[17] 苑飛.基于模糊熵三I算法構(gòu)造的模糊系統(tǒng)的概率表示及其逼近性能[J].海南師范大學學報(自然科學版),2008,21(4):472-477.
[18] Kiran R.Bhutani,Abdella Battou.An application of fuzzy relations to image enhancement[J]. Pattern Recognition Letters,1995,16:901-909.
[19] 陳丹峰,林陪,汲長遠.子組織網(wǎng)絡(luò)與模糊規(guī)則結(jié)合在遙感土地覆蓋分類中的應用[J].中國土地科學,1998,12(5):42-44.
[20] DOMN, VETTERLIM. The contour let transform: An efficient directional multi resolution image representation[J ]. IEEE Transaction Image Processing ,2005 ,14 12 :2091-2106.
[21] 洛建承,周成虎,楊艷.具有部分監(jiān)督的遙感影像模糊聚類方法研究及應用[J].遙感技術(shù)與應用,1999,14(4):37-43.
[22] 王文宇,李博.基于eCognition的高分辨率遙感圖像的自動識別分類技術(shù)[J].北京 建筑工程學院學報,2006,22(4):26-29.
[23] 杜鳳蘭,田慶久,夏學齊,等.面向?qū)ο蟮牡匚锓诸惙ǚ治雠c評價[J].遙感技術(shù)與應用,2004,19(1):20-24.
【應用數(shù)學畢業(yè)論文開題報告范文】相關(guān)文章：