论文部分内容阅读
本文紧紧围绕提高遥感图像分类精度这一目标，以TM多光谱遥感图像为主要数据源，尝试从样本精简、分类器算法优化和多分类器融合三个方面展开讨论以提高遥感图像分类的精度和效率。
主要研究成果如下：
1、指明了样本选择对分类器的重要性，并对样本选择中的问题展开了讨论，并特别针对样本数据冗余的情况，提出了基于聚类分析方法的训练样本集合的精简方法，并将其作为监督分类方法的数据预处理步骤引入到分类过程中。
2、在对最小距离、最大似然和BP神经网络三种常用分类算法进行研究的基础上，实现了分别用EM算法和最优化理论对最大似然分类法和BP神经网络分类法的改进，提高了分类算法的精度和效率。
3、基于不同性质的分类器相互之间存在的互补性，利用AdaBoost方法实现了最小距离分类法、最大似然分类法和BP神经网络分类法的融合，从而进一步提高了分类精度。
4、利用面向对象的编程思想，对上述分类算法的代码进行了抽象和封装，初步实现了一个专门用于遥感图像分类算法研究的软件平台。