面向?qū)ο蟮母叻直媛蔬b感圖像分類.pdf

1、針對高分辨率遙感圖像的研究越來越多，相對于中低分辨率遙感圖像，它具有豐富的空間信息，如形狀信息和紋理信息。利用傳統(tǒng)的基于像素光譜信息的方法對高分辨率遙感圖像進(jìn)行分類，分類結(jié)果圖存在大量的椒鹽噪聲，分類效果不是很理想。本文對高分辨率遙感圖像進(jìn)行分類研究，采用了面向?qū)ο蟮姆诸惙椒?，首先?jīng)圖像分割產(chǎn)生圖像對象，然后分析和提取對象的屬性特征，最后根據(jù)有效的特征信息完成對象的分類。
　　本文主要研究了結(jié)合分水嶺變換和區(qū)域合并的分割算法，既保

2、持了分水嶺分割能夠產(chǎn)生單像素寬閉合邊界，效率、準(zhǔn)確率高，以及穩(wěn)定性和適用性強(qiáng)的優(yōu)勢，又在一定程度上克服了過分割現(xiàn)象，其分割結(jié)果與專業(yè)的面向?qū)ο蟮闹悄軋D像處理軟件eCognition分割結(jié)果相當(dāng)。
　　在提取對象的特征信息時，除了常用的光譜特征，本文還提取了紋理特征、形狀特征。實(shí)驗證明對象的形狀或紋理信息的加入可以區(qū)分“同譜異物”問題，但用來描述對象的特征不是越多越好，需要擇優(yōu)組合。
　　在具體分類方法的選擇方面，本文著重研究

3、了基于支撐向量機(jī)(Support Vector Machine,SVM)和基于概率潛在語義分析(ProbabilisticLatent Semantic Analysis,PLSA)模型的兩種分類方法。第二種分類方法將PLSA和SVM結(jié)合應(yīng)用于高分辨率遙感圖像分類，并利用LSA初始化PLSA模型參數(shù)對PLSA進(jìn)行改進(jìn)，在一定程度上解決了EM算法隨機(jī)初始化引起的局部最優(yōu)和過擬合問題，取得了理想的分類效果。
　　為了對比不同方法的分類