论文部分内容阅读
土地覆盖不仅是进行国土资源调查、规划和动态监测的基础,还是研究其环境效应、生态安全和全球变化影响的有效手段,具有重大的研究意义。遥感影像中包含丰富的表征地物物理化的光谱信息,为获取全球性和区域性土地覆盖信息提供了有效的技术手段,使得基于特征光谱信息的目标地物遥感识别成为可能。分类是获取地物遥感信息的一个重要手段。传统的分类方法用于遥感影像分类时,由于样本的有限性,容易导致Hughes现象。支持向量机是基于统计学理论发展起来的一种学习算法,可以有效地解决小样本、非线性及高维模式中的Hughes现象。因此本论文针对遥感影像数据的特点,对支持向量机在遥感影像分类中的应用进行了研究,其主要内容和创新点如下:
1.针对Landsat TM影像数据具有高维特征等特点,提出一种基于信息量最佳波段选取的遥感影像降维处理方法。该方法根据原始数据的标准差和相关系数矩阵的特征值,可以计算出波段组合、标准差组合、相关系数之和以及OIF指数,综合这些信息,选择出最佳波段进行遥感影像目标识别,实验结果表明,该方法能够选择出信息量丰富的波段,分类精度与使用原始波段相比提高9.8%,并且计算复杂度大大降低。
2.传统的分类方法在进行遥感影像分类时,由于样本数据的局限性,容易导致过学习、过拟合现象,而支持向量机方法在处理小样本数据时能够避免这种现象,使最终学习效果达到最优,基于此本论文将SVM学习算法应用于遥感影像土地覆盖分类识别中,采用混合小样本提取技术,进行分类识别,并与MLC法、BP神经网络模型、决策树等分类方法进行对比。实验结果表明,SVM方法在处理遥感影像数据时优于其它学习方法。
3.根据遥感影像中不同地物的纹理信息,本论文将小波分析方法引入到遥感影像目标识别中,提出基于Gabor SVM分类算法并应用于土地覆盖分类中。实验结果表明,通过引入Gabor小波,能够快速的获得遥感影像在多尺度、多方向上的边缘特征,再通过选择、融合以及量化小波系数,能够有效地消除噪声,提高检测效率,并且也使得输入的特征维数降低,进一步提高了分类效果。
总之,本论文所涉及的方法都经过仿真实验验证,取得较好的实验结果。Gabor SVM方法应用于土地覆盖分类是对遥感影像识别方法的一个创新,这种方法能够得到比传统SVM等学习方法更好的识别效果。