论文部分内容阅读
城乡交错带是人类经济社会非常活跃的地区,是城乡建设与发展的集中地带,是城市扩展新的“形成层”、乡村城镇化的先导区。随着城镇化进程的不断加快,城乡交错带土地变化显著,对其利用状态的检测变化受到越来越多的关注。遥感技术是进行区域性土地利用类型调查及定量提取土地利用信息的主要手段,遥感影像分类对遥感数据土地资源分析及应用极其重要,如何解决多类别图像的分类识别并满足一定的精度,是遥感影像研究中的一个关键问题,具有十分重要的意义。支持向量机(SVM)是一种较新的机器学习算法,具有较好的泛化性能,其在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。本文针对多光谱数据的特性,以2000和2009年获取的Landsat ETM+/TM影像作为主信息源,结合研究区对SVM在多光谱影像分类中的应用进行了研究,主要研究结果如下:(一)对TM影像进行光谱特征与纹理信息的提取,挑选最佳波段组合作为分类特征,选择结果如下:2000年影像,选择波2,波6,波8,波15,波17和波16;2009年影像,选择波3,波6,波8,波10,波11和波12。(二)光谱特征在分类中起主导作用,结合光谱特征、植被指数、水体指数和纹理信息进行分类,能有效的分离出植被和水体,提高了分类精度。(三)在分类方法上,采用SVM进行影像分类,通过和其它传统的遥感影像分类方法比较。结果表明,SVM在解决小样本、高维问题方面具有独特的优势,分类精度较高,在遥感影像分类中的应用有一定的优势。(四)结合传统支持向量的优缺点,采用3种新型支持向量机(C-SVM, GEPSVM, LS-SVM),分别在计算机上进行分类实验,分类精度比较表明,3种新型支持向量机分类方法在遥感影像分类中具有很好的分类效果。在3种新型支持向量机分类方法中,基于bayes参数选择的LS-SVM分类效果最佳,但是训练时间成本太大;C-SVM分类结果令人满意,训练耗时最少,可操作性最强;GEPSVM对混合像元分类有独特优势,但是对两类数据的不平衡性较敏感。(五)应用三种新型支持向量机方法对多光谱遥感影像分类中的一些特殊问题进行了初步研究,如多类分类、训练样本选择、模型参数选择、核函数选择等,结果表明:(a)核函数的选取对SVM的分类精度的影响很大,本文所选择的RBF核函数是一种适应性比较强、能够应用于各种分类问题的核函数,但分类精度的稳定性不高,泛化能力较低;(b) RBF核函数能否达到最优的分类速度和分类精度主要取决于其参数的设置,本文使用网格搜索的方法探求适合研究区的最优参数。