论文部分内容阅读
公路建设前开展公路沿线走廊带内的土地覆盖调查是公路规划和选线的基础性工作，然而由于公路线路一般较长，常规调查手段成本高、周期长、难以快速获取走廊带内时效性较强的信息。遥感技术具有客观、现势、直观等优势，能够满足土地覆盖调查的需求，结合遥感图像分类技术可以辅助快速获取公路走廊带的相关信息。但是，由于目前图像分类方法尚未完全实用，采用遥感影像进行土地覆盖分类的精度通常难以达到公路选线调查的要求。提高遥感数据的自动分类精度是拓宽其在公路选线中应用的关键，也是降低土地覆盖调查成本的关键。
支持向量机(Support Vector Machine，SVM)分类在精度、泛化性、高维数据处理等方面都具有较强的优势，在遥感影像分类中也得到了广泛的应用。由于遥感影像存在“同物异谱”和“异物同谱”现象，结合多种特征提高SVM分类精度已成为遥感应用研究的热点。虽然已经有很多相关的研究，但在基于多特征的SVM分类中还存在诸如训练样本中无效样本太多;现有最佳特征选择方法选出的最佳特征有信息冗余;常规方法构建的有向无环图SVM(Directed Acyclic Graph SVM，DAG-SVM)分类器的分类结果不稳定，会随地类标签顺序的改变而变化等问题。本文面向遥感图像土地覆盖分类应用的目标，重点研究多特征SVM分类中有效样本选取、特征选择和有向无环图的构建等三方面的问题，以此探讨提高SVM分类精度和效率的方法。
首先研究了SVM分类中的样本选取方法。在保证分类精度的情况下，为尽量减少训练样本数量，采用“样本分层”的方法选取训练样本;共设计了三种不同的方法。通过对ALOS图像的试验发现:采用“支持向量分层”法选取的训练样本量最少，分类速度最快;而使用“支持向量和部分非支持向量相结合的样本分层”方法选取的训练样本，其分类精度最高，但速度稍差于“支持向量分层”法。
其次，研究和探讨了多特征SVM分类中的特征选择方法。改进了多特征SVM分类中的最佳特征选择方法，根据DAG-SVM分类器的特点，提出对不同的二分类器选用不同的分类特征，从而将特征选择和模型训练有机结合。该方法提高了所选特征的针对性，减少了特征之间的信息冗余和特征数量。试验结果表明本文提出的特征选择方法能在一定程度上提高DAG-SVM分类器的分类精度和训练效率。
最后，研究了DAG-SVM分类器中有向无环图的构建方法，使得构建的有向无环图结构稳定，分类精度也较高。提出用分类面间的距离来度量分类器的精度，通过对每个节点处的分类器进行排序，来动态构建有向无环图。试验结果显示:在构建有向无环图时采用“分类面间距离最小优先”原则构建的DAG-SVM分类器的分类精度更高。
通过研究，本文建立了利用遥感图像多特征SVM分类方法进行土地覆盖分类的一套方法体系，有助于提高多特征遥感影像SVM分类的精度和效率，也可为其它领域的遥感影像分类研究提供借鉴。
由于时间有限，文中所研究的算法虽已编程实现，但还有待进一步优化，如对数据进行分块处理、实现算法的并行运算等来提高数据处理的效率。