论文部分内容阅读
森林在调节全球气候方面具有重要作用。高空间分辨率的遥感影像在林业中得到广泛应用。为了充分挖掘高空间分辨率的遥感影像在林业分类的应用水平,必须解决高空间分辨率的遥感影像带来的一些问题。相比中低分辨率的遥感影像,高空间分辨率的遥感影像带来了一些问题,诸如地物光谱混淆现象明显、数据量大等。这些问题给传统的遥感影像分类方法带来了很多的难题。一方面,在高空间分辨率的遥感影像中,地物的光谱混淆现象十分明显,因而传统的只使用光谱特征进行分类的方法有很大的局限性,并不能得到令人满意的分类精度。此外,在高空间的遥感影像中,面向对象的影像分类方法目前得到比较一致的认可。在高空间分辨率的林地区域的影像中,林地间的空地十分明显,给面向对象的林地区域的精确分类带来了难题。另一方面,高空间分辨率的遥感影像,由于空间分辨率的提高,即使对于一个很小的研究区域,数据量也将是十分巨大的。相比巨大数据量的影像数据,样本数据量较小,同时真实样本的获取需要较大的人力、物力、时间上的消耗,而一定数量的训练样本对分类模型的建立是必不可少的,因而高空间分辨率遥感影像分类也面临着样本数量偏少这样一个难题。
针对这些问题,并主要以使用高空问分辨率的遥感影像进行林业分类为需求,我们开展了相关的研究。论文的创新点和特色主要归纳为以下四个方面:
(1)针对高空间分辨率的遥感影像在农林交界地区域存在着明显的光谱混淆或光谱不一致现象。因而,引入纹理特征进行分类是十分必要的。研究了在面向对象的影像分类中,引入Gabor纹理辅助光谱特征分类的方法。此外,验证了复合核方法在融合光谱特征与Gabor纹理特征的有效性。
(2)针对林地分类中影像块中空地的影响,提出了一种基于非林地先验的分类流程。在面向对象的影像分类方法中,合适的分割尺度是很难选择的。所提出的算法在保证较大的分割尺度的情况下,能够尽可能的保持分类精度的提高。该算法的核心思想为减轻非林地区域对整个影像块的光谱特征的提取。
(3)提出了一种基于区域划分的主动学习方法,该方法主要是解决了经典的间隔采样(Margin Sampling,MS)算法在处理批处理模式的样本选择问题,而批处理模式是主动学习方法应用于遥感影像分类中面对的主要问题。该方法首先创新性的基于支持向量机分类器引入了标记向量的概念,每个样本的标记向量简单的给出了样本在特征空间的相对位置关系。并且样本的标记向量计算过程十分简单、直观。基于标记向量,所提出的算法要求在批选择的模式下,所有被选择的样本不能与已经选择的样本集的标记向量相同。为了区别标记向量的相同与否,引入了标记向量的异或(XOR)操作技巧。
(4)提出了一种基于图论中的最大边缘子图问题的主动学习方法,该方法从一个全新的角度解决了经典的MS算法在处理批处理模式的样本选择问题,该方法通过选用的不确定性标准,初始选择了一批有信息量的样本集合,随后以这些样本集合作为顶点集合,构造一个全连通的无向的加权图,图中边的权重定义为所对应的样本对的标记向量的XOR操作结果的和,因而不相似性的选择过程转换为一个经典的图论中的最大边缘子图问题。