论文部分内容阅读
本文工作源于国家自然科学基金资助项目(批准号60275002,60675011)中的一部分一多源遥感图像分类技术研究。
全文从如何充分利用多源数据特性这点出发，从以下几个角度入手来研究多源遥感图像分类方法，主要贡献可归纳如下：
1．从多源融合的角度出发来考虑分类，采取并改进Mallat小波变换方法来融合多源遥感图像，提出了用于多源遥感图像的融合模型，使用基于局部方差最大来作为融合系数；然后，选择BP网络方法作为分类器，并且从调整学习率、隐层神经元数目选择、训练强度三个角度出发来调整BP分类器的性能，以获得更好的分类精度和分类效率。
2．上述的第一种方法分别从Mallat小波融合和BP分类器角度对多源遥感图像分类进行了一些改进。提出的第二种方法正是基于上述的改进，融合光谱空间和纹理空间的特征对于分类方法进行了进一步的改善。本方法在纹理空间进行处理时，除了对纹理谱特征进行分析之外，还对遥感图像执行了在第一种方法中描述的小波变换，在变换后的各个子空间中分别求分形维纹理特征。这种处理能更好地反映了纹理基元的特征。在光谱空间进行处理时，采取了PCA方法对光谱特征进行降维，提取出包含信息最多的波段。进行特征提取后，继续使用了在第三章中描述的改进的BP网络方法来执行分类。
3．基于上述第二个方法，考虑到在光谱空间和纹理空间特征提取后，其特征向量存在着一定的冗余性，引入了残留误差的概念对于分类方法进行了进一步的改善。在分类训练过程中，通过残留误差的反馈来修剪特征向量，提取出使残留误差达到最小的特征向量组合。基于这样的调整，分类方法的性能可以得到改善。
在上述三类方法中，参照了前人的理论经验，也提出了相应的改进，对每一类方法，都给出了算法和相应的实验，实验结果证明了方法的有效性。