應(yīng)用數(shù)學(xué)畢業(yè)論文開(kāi)題報(bào)告范文
開(kāi)題報(bào)告是開(kāi)題者在確認(rèn)論文主題之后，對(duì)論文初步確定內(nèi)容的撰寫，下面是小編搜集整理的應(yīng)用數(shù)學(xué)畢業(yè)論文開(kāi)題報(bào)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(guò)40多年的發(fā)展，無(wú)論在光譜分辨率、空間分辨率、時(shí)間分辨率等方面都有著極大的進(jìn)步，己經(jīng)形成高光譜、高空間分辨率、全天時(shí)、全天候、實(shí)時(shí)的對(duì)地觀測(cè)能力。隨著各種類型空間傳感器的大量應(yīng)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(lái)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(xué)理論、計(jì)算機(jī)圖形學(xué)、計(jì)算機(jī)視覺(jué)、模式識(shí)別、人工智能等科學(xué)技術(shù)，研究目標(biāo)的自動(dòng)提取有著十分重要的理論和現(xiàn)實(shí)意義。
遙感影像是對(duì)地面特征的綜合，在對(duì)遙感影像的研究和應(yīng)用中，人們往往對(duì)影像中的某些部分感興趣這些部分常稱為目標(biāo)或前景(其它部分稱為背景)它們一般對(duì)應(yīng)圖像中特定的、具有獨(dú)特性質(zhì)的區(qū)域。為了辨識(shí)和分析影像中的目標(biāo)，需要將這些有關(guān)區(qū)域從影像中分離提取出來(lái)，在此基礎(chǔ)上才有可能對(duì)目標(biāo)進(jìn)一步利用，如進(jìn)行地物的利用詳查和地物的識(shí)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(biāo)的技術(shù)和過(guò)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(biāo)可以對(duì)應(yīng)單個(gè)區(qū)域，也可以對(duì)應(yīng)多個(gè)區(qū)域。遙感影像聚類是遙感影像分析的一個(gè)重要內(nèi)容。從遙感影像中自動(dòng)提取各類地物或其它建筑物類別等是攝影測(cè)量與遙感領(lǐng)域的難題和重點(diǎn)，它對(duì)于攝影測(cè)量和遙感影像分析自動(dòng)化起到至關(guān)重要的作用。
在過(guò)去的三十多年里，地物提取在攝影測(cè)量界和計(jì)算機(jī)視覺(jué)界受到了廣泛的重視，針對(duì)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(dá)到甚至突破米級(jí)，如IKONOS和QUCIKBIRD影像。遙感影像中存儲(chǔ)著極為豐富的信息，影像特征結(jié)構(gòu)復(fù)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(xì)節(jié)特征越來(lái)越豐富，地物目標(biāo)也越來(lái)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(lái)。可是，隨之而來(lái)的是影像上細(xì)小目標(biāo)、陰影等非目標(biāo)噪聲也更越來(lái)越多，利用目前已有方法來(lái)自動(dòng)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(shí)意義的。
2、國(guó)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(guò)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(jì)算機(jī)自動(dòng)解譯和人機(jī)交互等環(huán)節(jié)不斷完善遙感影像的聚類。
近些年來(lái)，越來(lái)越多的研究人員開(kāi)始關(guān)注高分辨率遙感影像的聚類技術(shù)。目前，很多國(guó)內(nèi)外的文獻(xiàn)中都闡述的是利用一些傳統(tǒng)的聚類方法加以改進(jìn)類進(jìn)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(cuò)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(yàn)知識(shí)確定判別函數(shù)和相應(yīng)的判別準(zhǔn)則，其中利用一定數(shù)量的己知類別的樣本(稱為訓(xùn)練樣本)的觀測(cè)值確定判別函數(shù)的中待定參數(shù)的過(guò)程稱之為學(xué)習(xí)或者訓(xùn)練，然后將未知的樣本的觀測(cè)值代入判別函數(shù)，再根據(jù)判別準(zhǔn)則來(lái)對(duì)該樣本的所屬類別作出判斷。這種方法如果在聚類過(guò)程中注意訓(xùn)練區(qū)的質(zhì)量，可以達(dá)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(yàn)知識(shí)及概率，并且樣本呈正態(tài)分布、具有良好的統(tǒng)計(jì)性等條件，有時(shí)無(wú)法滿足，得不到足夠的訓(xùn)練信息。尤其對(duì)于非高斯分布的樣本數(shù)據(jù)會(huì)導(dǎo)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(jìn)的模糊k均值算法以及前些年發(fā)展起來(lái)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(xué)的觀點(diǎn)，通過(guò)自然選擇、遺傳、變異等作用機(jī)制，實(shí)現(xiàn)各個(gè)個(gè)體的適應(yīng)性的提高(Sanghamitra，Bandyopadhyaya，2002;Mind-Der Yang，2004)。還有些通過(guò)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(lái)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(jiǎn)單、易操作。但是，這些方法的缺點(diǎn)在于需要事先確定各個(gè)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(dòng)設(shè)置各類別中心到現(xiàn)在為止還沒(méi)有一個(gè)切實(shí)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(lái)也發(fā)展了諸如人工神經(jīng)網(wǎng)絡(luò)、模糊聚類、決策樹(shù)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(wèn)題。而在實(shí)際的應(yīng)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(diǎn)
本論文的研究?jī)?nèi)容與創(chuàng)新點(diǎn)主要體現(xiàn)在以下幾個(gè)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(yùn)用了模糊集理論的知識(shí)，通過(guò)對(duì)模糊隸屬度函數(shù)的確定來(lái)修正傳統(tǒng)Bayes算法中的先驗(yàn)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(yīng)用于樣本均值的求解中，克服了傳統(tǒng)的利用簡(jiǎn)單求和取平均來(lái)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(lái)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(yùn)用了有監(jiān)督聚類和Fuzzy邏輯推理的知識(shí)，改善了傳統(tǒng)監(jiān)督聚類的單樣本的缺點(diǎn)，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(jìn)度安排、預(yù)期到達(dá)的目標(biāo)
1)研究方案
在研究中把模糊數(shù)學(xué)的知識(shí)應(yīng)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(yùn)用模糊推理的知識(shí)，綜合已經(jīng)獲取的各類多樣本信息特征對(duì)影像元素進(jìn)行聚類判別。
2)進(jìn)度安排
20XX.08 ---- 20XX.09，進(jìn)一步完善資料的收集，加深對(duì)影像模糊聚類知識(shí)的理解;
20XX.10 -----20XX.11，細(xì)閱讀文獻(xiàn)，探索利用模糊邏輯學(xué)進(jìn)行影像聚類的創(chuàng)新點(diǎn);
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(yù)期達(dá)到的目標(biāo)
通過(guò)對(duì)傳統(tǒng)Bayes算法的改進(jìn)，運(yùn)用模糊數(shù)學(xué)的知識(shí)，提出模糊Bayes-Gauss聚類算法，以達(dá)到改善聚類的效果。然而，改進(jìn)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(jìn)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(yùn)用模糊邏輯的三I算法，并結(jié)合灰色關(guān)聯(lián)度理論對(duì)模糊Bayes-Gauss聚類算法進(jìn)行改進(jìn)，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(fèi)
經(jīng)過(guò)三個(gè)學(xué)期自己努力勤奮的學(xué)習(xí)，同時(shí)在導(dǎo)師的悉心指導(dǎo)下，本人已初步掌握了對(duì)該課題的研究所涉及基本問(wèn)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(shí)，學(xué)院建有好的實(shí)驗(yàn)環(huán)境，給論文的撰寫提供了方便。
6、研究的重點(diǎn)和難點(diǎn)，以及擬采取的解決方法
(一)研究過(guò)程中的重點(diǎn)
1) 對(duì)于改進(jìn)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(duì)遙感影像的聚類過(guò)程中，對(duì)提取出來(lái)的地物特征以何種方式來(lái)進(jìn)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(diǎn)是研究的關(guān)鍵部分。
(二)研究過(guò)程中的難點(diǎn)
1)對(duì)于改進(jìn)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(yīng)各種環(huán)境條件，使得聚類精度不高。因此，要構(gòu)造能適應(yīng)各種環(huán)境的算法是一大難點(diǎn);
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(dǎo)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(lái)進(jìn)行聚類亦是研究的一大難點(diǎn);
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(gè)別異類元素，權(quán)值也取一樣會(huì)導(dǎo)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(diǎn);
4)在遙感影像聚類的過(guò)程中，尋找模糊推理與非經(jīng)典數(shù)理邏輯的結(jié)合點(diǎn)來(lái)對(duì)提取的特征信息進(jìn)行聚類判別;
(三)擬采取的解決方法
1)對(duì)改進(jìn)的聚類算法，讓其盡可能少的受到外界條件的干擾
首先，對(duì)獲得的影像進(jìn)行預(yù)處理，盡量地避免因?yàn)橥饨缫蛩氐挠跋穸蓴_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(dòng)識(shí)別的程序中，從而使得改進(jìn)的算法能夠比較好的適應(yīng)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(guò)提取同一類別的不同樣本來(lái)獲得顏色差異的特征值，以此解決因?yàn)轭伾牟町惗鹁垲愋Ч懿罴熬炔桓叩膯?wèn)題;或者尋找其它的地物特征進(jìn)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(guò)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(wèn)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(guò)程中，尋找模糊推理與非經(jīng)典數(shù)理邏輯的結(jié)合點(diǎn)
查找相關(guān)資料，在研究過(guò)程中認(rèn)真思考與總結(jié)，同時(shí)不斷的進(jìn)行相關(guān)性的實(shí)驗(yàn)，通過(guò)大量的實(shí)驗(yàn)尋找解決辦法;
7、主要參考文獻(xiàn)
[1] 錢樂(lè)祥.遙感數(shù)字影像處理與地理特征提取[M].北京:科學(xué)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(yīng)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(yàn)研究[J].遙感技術(shù)與應(yīng)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(jìn)[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(jìn)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(wàn)建,王繼成,基于ISODATA算法的彩色圖像分割[J].計(jì)算機(jī)工程,2002,5(28):135-136.
[9] 尹軍梅,楊明.一種面向單個(gè)正例的Fisher線性判別分類方法[J].南京師范大學(xué)學(xué)報(bào)(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(zhǎng)春理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2009,32(1):132-134.
[11] 邊肇棋,張學(xué)工.模式識(shí)別[M].北京:清華大學(xué)出版社,2001.
[12] 陳水利,李敬功,王向公.模糊集理論及其應(yīng)用[M].科學(xué)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(guó)俊.非經(jīng)典數(shù)理邏輯與近似推理(第二版)[M].科學(xué)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(xué),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(xué)學(xué)報(bào)(自然科學(xué)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(zhǎng)遠(yuǎn).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(yīng)用[J].中國(guó)土地科學(xué),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(yīng)用[J].遙感技術(shù)與應(yīng)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(dòng)識(shí)別分類技術(shù)[J].北京 建筑工程學(xué)院學(xué)報(bào),2006,22(4):26-29.
[23] 杜鳳蘭,田慶久,夏學(xué)齊,等.面向?qū)ο蟮牡匚锓诸惙ǚ治雠c評(píng)價(jià)[J].遙感技術(shù)與應(yīng)用,2004,19(1):20-24.
【應(yīng)用數(shù)學(xué)畢業(yè)論文開(kāi)題報(bào)告】相關(guān)文章：
數(shù)學(xué)與應(yīng)用數(shù)學(xué)畢業(yè)論文開(kāi)題報(bào)告模板03-28
數(shù)學(xué)專業(yè)畢業(yè)論文開(kāi)題報(bào)告03-29
數(shù)學(xué)專業(yè)畢業(yè)論文開(kāi)題報(bào)告范文04-01
數(shù)學(xué)本科畢業(yè)論文開(kāi)題報(bào)告03-22