基于特征基元的主被動(dòng)遙感數(shù)據(jù)SVM分類關(guān)鍵技術(shù)研究.pdf

1、由于受復(fù)雜背景、噪聲、光照等因素的影響，使得基于單一高分辨率遙感影像逐像元分類存在較為嚴(yán)重錯(cuò)分現(xiàn)象，且分類結(jié)果的破碎現(xiàn)象較為普遍，這些現(xiàn)象降低了分類的精度和效率，影響了高分辨率遙感信息自動(dòng)提取的大范圍應(yīng)用。因此，本文將機(jī)載LiDAR數(shù)據(jù)引入到高分辨率遙感影像分類中，并用特征基元代替像元進(jìn)行SVM分類，不但能充分發(fā)揮LiDAR數(shù)據(jù)和高分辨率遙感影像的各自優(yōu)勢(shì)，提高分類精度，而且也能在一定程度上改善逐像元分類的破碎現(xiàn)象。
　　本文對(duì)基

2、于特征基元的主被動(dòng)遙感數(shù)據(jù)聯(lián)合進(jìn)行SVM分類中的特征基元提取、訓(xùn)練樣本選取、SVM參數(shù)優(yōu)化、聯(lián)合分類技術(shù)流程等關(guān)鍵技術(shù)進(jìn)行了較為深入的研究，取得的研究成果有：
　　(1)將小波變換與均值漂移相結(jié)合，提出了紋理特征輔助的小波變換—均值漂移特征基元提取方法。該方法借助紋理特征的優(yōu)勢(shì)，充分利用各像元的光譜信息和像元間的空間關(guān)系，生成的特征基元的平均 OCE值為0.034，遠(yuǎn)小于均值漂移法的0.051，更好地保障了特征基元的勻質(zhì)性。

3、>　　(2)對(duì)訓(xùn)練樣本選取的數(shù)量和方法進(jìn)行了研究和實(shí)驗(yàn)，結(jié)果表明基于特征基元分類時(shí)樣本數(shù)達(dá)到6～8倍波段數(shù)目時(shí)分類精度就能達(dá)到較高水平，并進(jìn)入一個(gè)穩(wěn)定階段，而基于像元分類則在24～30倍波段數(shù)時(shí)分類精度才達(dá)到較高的水平。
　　(3)利用本文的分類方法對(duì)兩個(gè)實(shí)驗(yàn)區(qū)的地物分類進(jìn)行了綜合實(shí)驗(yàn)，結(jié)果是基于特征基元分類的總體精度分別為97.08％和96.94%，Kappa系數(shù)分別為0.9573和0.9624，而基于像元分類的總體精度為94.