论文部分内容阅读
航天遥感技术的迅速发展为气候、地貌和海洋等相关领域的研究提供了大量直接有效的素材,相关科研工作的主要任务常常是对遥感图像的分析和处理。但是由于卫星遥感图像(尤其是高光谱数据)信息量大,部分信息(如气象遥感数据)的时效性强,遥感图像的人工分析处理的效率低且成本高,如果采用图像处理方法对卫星图像进行分类将大大提高工作效率。目前的许多方法通过多种分类算法和特征提取技术的组合,已经实现了将图像中的景物比如云团、山脉、河流、海洋等进行分类,得出相对准确的分类结果。结合当前的图像分类方法,本文针对现有的遥感图像处理和分析方法进行了研究,提出了一种基于MLR和空谱特征的遥感图像分类方法。相对于以往的基于支持向量机和像素级特征的分类方法,本文算法具有以下几方面的优势:1.本文提出了一种基于OIF的波段选择算法。在原有的OIF算法基础上,对原始波段数据集进行初选,通过评价指数将噪声波段或图像结构不清晰的波段去除。通过设置筛选阈值限制初选结果,从而将原数据集的波段数控制在一定范围之内,然后使用计算量较大的OIF方法对剩余波段进行选择,最后得到最佳波段组合用于分类。由于使用了计算速度较快的初选算法,使OIF算法的计算量大大降低,提高了算法的计算效率。2.本文提出了一种基于区域的空间特征数据集的构造方法。对原始波段数据使用基于熵率的超像素分割方法,将原图像分割成分布均匀、结构紧凑且边缘贴合度高的超像素块。然后计算图像各区域的方差作为该区域的空间特征用于后续分类。相对于基于像素的分类方法,本文使用的方法充分利用了像素的空间结构信息,将具有相似区域特征的像素作为同质对象进行处理,在一定程度上减少了计算量,同时保证了空间结构信息的完整性。3.本文使用了一种基于广义合成核的多元逻辑回归分类方法。在构造核函数时同时考虑空间和光谱两种特征。由于广义合成核具有极高的灵活性,可以根据需要对其进行扩展,即引入多种特征信息以提高分类精度,在本文中使用空间和光谱两种特征信息。在计算效率方面,由于核函数结合了映射和内积计算的性质,高维向量的内积运算得到简化。另一方面,该方法相对于一般的基于支持向量机的分类方法具有更短的训练和分类时间,实验数据表明,该方法具有比传统支持向量机方法更高的分类效率和精度。