论文部分内容阅读
遥感技术自二十世纪六时年代提出以来,已经为很多领域的具体应用提供了强大的信息支持,为了更好的利用遥感技术,人们在遥感各个方向上的研究都有了长足的进步。遥感影像需要首先通过解译,获取相关的专题信息后才能应用于地学以及其他工作中,计算机自动解译虽然在精度上与人工解译存在差距,但具有先天的速度优势。随着分类算法研究的不断深入,使计算机自动解译的精度不断提高,已能满足一定具体工作的需要。但在如今的技术飞速发展的时代,随着遥感数据的海量化以及某些领域对于信息迅速获取的迫切需求,分类的速度已经越来越得到人们的重视,这也就催生了提升分类速度算法的研究。本文则从分类效率入手,对分类算法进行相关研究。旨在满足精度要求的前提下,寻找提高分类效率,节省分类时间的改进算法。计算机自动分类方法应用较多的传统的模式识别方法,如非监督分类的ISODATA分类法,监督分类的最大似然法等。但这些传统方法受到遥感影像分辨率以及“同物异谱”、“异物同谱”现象的影响,出现较多错分、漏分,导致分类精度不高。目前也提出了一些改进算法,使其分类精度有了大幅的提高。随着遥感技术的发展,近年来出现了一些新的倾向于句法模式的分类方法,如人工神经网络方法、模糊数学方法、决策树方法、支持向量机方法等。本文选取了两类方法中的典型,包括ISODATA法、最大似然法、决策树法以及支持向量机(SVM)法进行对比研究,并最终提出决策树与SVM相结合的分类方法。经过研究,四种方法在分类精度上存在较大差异。支持向量机方法精度最高;决策树与最大似然法精度相当,位居次席;ISODATA法精度最低。但在分类效率上决策树法消耗时间最少,最大似然法与ISODATA法相当,支持向量机法消耗时间最多。本文提出的决策树与SVM相结合的方法精度上基本与单独使用支持向量机法相同,但消耗时间却大幅减少,略少于单独使用最大似然法或ISODATA法。达到了在精度基本不变的前提下,提高分类效率的目的,显示出此方法具有分类效率与精度上的综合优势。