论文部分内容阅读
近年来,由于航天和遥感技术的持续发展,对地观测已进入一个新的时代。高分辨率遥感影像日益成为获取地物信息的主要数据来源,在地理国情普查与监测、城市规划、资源勘测、大比例尺制图等方面发挥着重要的作用。高分辨率遥感影像除了具有一定的光谱特征外,还具有丰富的形状、纹理特征,这给影像的智能化分类提出了新的挑战。支持向量机(SVM)作为一种以核函数为基础的分类算法,在模式识别等问题上具有良好的泛化性能,在各领域具有广泛的应用。但由于高分辨率遥感影像地物分布的复杂性和SVM中不同核函数分类性能存在明显不同,导致基于SVM的高分辨率遥感影像分类研究还有待深入。因此本文就SVM在高分辨率遥感影像分类中的应用进行研究。首先,分析了本研究课题的背景和研究意义、研究现状及存在的问题,介绍了SVM基本原理、特点及存在的问题;阐述了高分辨率遥感影像的特点及分类方法。其次,针对SVM在高分辨率遥感影像分类中存在的问题,提出利用多个核函数加权组合方式构建多核SVM进行分类。最后,为了进一步提高分类器的分类性能和泛化能力,提出了一种改进RBaggSVM算法的多核SVM集成学习模型,将多核函数加入RBaggSVM算法中,这种方法提高了单一SVM分类器的分类性能和泛化能力。本文的主要研究内容如下:1.针对高分辨率遥感影像中地物特征复杂及SVM中不同核函数和核函数参数对高分辨率遥感影像分类结果影响较大的问题,本文首先对影像分割,提取光谱、纹理、形状等特征并进行特征选择及加权处理;其次,组合全局核函数和局部核函数构建多核SVM并通过人工蜂群算法优化多核SVM的相关核参数。将所构建的多核SVM分类模型应用到高分辨率遥感影像分类实验中。2.为了进一步提高多核SVM在高分辨率遥感影像分类中的分类性能,本文提出一种改进RBaggSVM算法的多核SVM集成分类模型。在RBaggSVM算法的基础上以多个核函数代替算法中的单个核函数,同时以加权投票的方式组合成员分类器的分类结果。