论文部分内容阅读
现如今，随着遥感技术的快速发展，基于遥感数据的土地资源监测有效降低了人力、物力成本，极大地提高了工作效率，在土地资源的高效管理中具有相当重要的指导意义。遥感信息提取是基于遥感数据的土地资源监测中最重要的环节，如何利用高效的信息提取技术从遥感数据中提取信息成为研究人员普遍关注的焦点。而遥感信息提取的关键技术之一就是遥感图像分类，分类效果和精度对后续的分析处理工作产生较大影响，因此提高分类精度成为领域内的研究热点。 本文以Landsat-8卫星陆地成像仪(OLI)影像为主要数据源，进行遥感图像地物覆盖分类研究。针对现有方法普遍存在对图像空间分布信息利用不足的问题，本文将超像素的概念引入到遥感图像分类中，并提出改进算法。首先利用本文的超像素分割方法处理遥感图像，得到超像素级别的图像数据，实现将传统的像素级分类提升至超像素级分类。然后选择超像素常见的六个统计量（最小值、最大值、均值、标准差、上四分位数、下四分位数）作为一种分类特征，构建基于随机森林方法的遥感图像分类模型，达到了对遥感图像进行地物分类的目的，且极大地提高了遥感图像的分类精度。 同时，为了验证算法的可行性、显示算法优势，本文将基于超像素统计量的随机森林遥感图像分类方法与其他已有算法进行了详细的对比与分析。经实验可知，本文方法在多个评价指标上都有突出表现，能够推广到Landsat-8遥感图像的地物覆盖分类工作中。