论文部分内容阅读
遥感技术具有宏观、综合、高效、动态、信息量大的特点，使其能够广泛的应用于各个领域。新型遥感器的研发和运行，能够快速便捷的获取大量遥感图像，且包含的地物信息更加丰富。高空间分辨率遥感图像海量数据、复杂细节和尺度依赖的特点决定了高分辨率遥感影像处理的技术难点。如QuikBird和WorldView等高分辨遥感图像表现出了更多的地物信息，诸如光谱、形状、色调、纹理等。对于遥感图像进行分类，是获取遥感图像中信息的基本方法。传统的基于像元的遥感图像分类方法，大都只是针对影像的光谱特征，但仅从光谱特征出发进行遥感影像的分析处理，所能得到的信息有限。所以，采用传统的遥感分类方法，将浪费很多高空间分辨率遥感影像的信息。如何充分利用遥感图像的信息对其进行分类，是一个困难且具有挑战性的问题。 空间数据挖掘的主要任务之一是从遥感图像中提取信息，实现知识驱动的遥感图像解译。为了解决这个问题，很多机器学习算法都被引入到遥感图像处理中。本文在遥感图像分类方法的改进方面进行了研究，提出了一种基于极限学习机的高分辨率遥感图像分类算法。为了测试该算法的分类性能，使用了HYDICE航空影像，该航空影像是用于检测算法有效性的标准高分辨率图像数据，测试结果表明，基于极限学习机的分类算法在分类的精度与速度上都有提升。最后，使用极限学习机算法提取绿地信息，能够将WorldView2图像上的绿地信息较为准确、有效的提取出来，为后期建立绿地分类系统或其它辅助决策系统提供了良好的数据源。通过本文的研究，证明了基于极限学习机的高分辨率遥感图像分类算法具有较好的整体性能和实用价值。