基于多特征的SVM高分辨率遥感影像分类研究

发布时间：2020-03-30 06:21

【摘要】：近年来,遥感行业发展日新月异,传感器技术、电磁波的接收与处理等技术发展迅速,更是极大的促进了遥感技术的进步,在此期间涌现出了一系列的高空间分辨率卫星传感器,如何充分利用高分辨率遥感影像为我国土地利用、城乡规划、土地变化监测、军事等各个行业提供实时准确的土地覆盖信息至关重要,遥感影像分类作为获取土地覆盖信息最省力、最准确、最重要的方式,其技术进展一直备受关注,其中支持向量机算法在用于遥感影像分类时取得的效果可观。本文在分析国内外关于支持向量机遥感影像分类法的相关研究现状基础上,以GF2高空间分辨率遥感影像作为实验数据,参考全国第二次土地利用调查分类体系,展开了基于多特征的SVM高分辨率遥感影像土地利用分类研究。本研究在一定程度上对基于支持向量机的高分辨率遥感影像土地利用分类研究提供了一些参考价值,同时为土地利用信息的提取提供一定的技术参考方法。主要研究内容与成果如下:(1)以北京市怀柔区雁栖湖附近一景高分二号(GF-2)遥感影像为研究对象,参考全国第二次土地利用调查分类体系制定研究区分类标准,基于SVM基本理论与研究区实验数据高空间分辨率的基本特性,采用将影像波段光谱值、影像NDVI值两个光谱特征及方差、熵、差异性、二阶矩四个纹理特征融合的方法展开GF2高空间分辨率遥感影像土地利用分类研究,并与最大似然法和神经网络法相比较。(2)就研究区GF2影像分类结果而言,通过各项精度指标及各类别分类效果图比对分析,本文所采取的基于多特征的分类方法取得了最优的分类效果,其总体精度为95.67%,Kappa系数可达0.9267。(3)相较于其他分类方法,就研究区GF2影像分类结果而言,无论是单独利用影像波段光谱值进行分类还是融合影像光谱特征和纹理特征进行分类,基于SVM取得的分类效果都是最优的。另外,最大似然分类法和SVM分类法在综合考虑影像光谱信息NDVI和纹理信息(方差、熵、差异性、二阶矩并经过PCA选取主分量)时取得的分类精度优于单独使用研究区遥感影像的四波段信息进行分类取得的精度;而神经网络法在融入多特征后其精度值则有所下降。
【图文】：

技术路线图,论文

论文技术路线图

最优分类超平面,分类超平面,超平面

图 2-1 最优分类超平面可分样本数据集( , ), = 1,2, … , , ∈ , ∈ {1, 1},属类别。则分类超平面可表示为：f(x) = w x + b。对于超1，，表示的是y = 1类的样本点；对于超平面 H2，w x
【学位授予单位】：中国地质大学(北京)
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：P237

【参考文献】