论文部分内容阅读
现在光谱遥感技术在空间分辨率、时相分辨率和光谱分辨率三个方面都有了突飞猛进的发展，获取的数据也日益浩繁。面对如此海量的信息，如何充分有效地利用它们是急待解决的问题。分类是将复杂的现象简化为少量的一般性类别的过程，它是人们从遥感影像中提取有用信息的重要途径之一。而对分类前的图像进行去噪和增强预处理是提高分类精度的重要手段之一。
支持向量机(SVM)作为一种新兴的基于统计学习理论的分类算法，以其坚实的理论基础，巧妙的算法实现和突出的卓越性能脱颖而出。与其它分类算法相比，SVM方法具有全局最优、结构简单、推广能力强等优点，目前在很多领域获得了相对其它分类方法的最优的性能。鉴于此，本文选择了SVM算法应用于遥感图像的分类。随着小波变换理论的完善，小波在图像的预处理中得到了广泛的应用，与传统的去噪方法相比有着很大的优势，它能在去噪的同时保留图像细节，增强得到原图像的最佳恢复。因此，文中选择了小波变换作为图象去噪、增强的方法。
首先，综述了多光谱遥感影像应用研究现状及进展，论述了将小波理论、SVM算法引入遥感图像特征提取和分类的必要性和可行性，在此基础上提出了本文要研究的内容。
其次，介绍了小波变换理论的基础，对所获得的遥感图像的特点进行了分析，讨论了小波变换用于遥感图像预处理的可行性，给出了小波模极大值的去噪和增强算法。对其进行了试验，与传统的方法比较，效果有明显的改善。为后文遥感影像分类前的预处理提供方法。
再次，在全面的讨论了SVM算法，包括算法原理、算法实现、核函数参数的选取、优化、系数调整的基础上，进行SVM多分类试验，证明本文所用方法的可行性，改进、调整后的算法具有较高的分类精度。
最后，提出了基于小波变换和SVM的分类方法，应用于具体的图像进行处理和分类，分析其结果，与传统方法相比较，用实际数据进行核对。证明基于小波变换和SVM的分类方法，能分类精度得到了很大的提高，效果明显。
在遥感图像的分类应用中，基于小波变换和SVM的方法为其提供了新的分类方法和分类思路，具有一些传统分类方法不具备的优势，有着广泛的应用前景。