SVM和ANN在多光谱遥感影像分类中的比较研究

被引:40
作者
李颖 [1 ,2 ]
李耀辉 [3 ]
王金鑫 [3 ]
张成才 [3 ]
机构
[1] 中国气象局河南省农业气象保障与应用技术重点实验室
[2] 河南省气象科学研究所
[3] 郑州大学水利与环境学院
关键词
多光谱遥感; 影像分类; 支持向量机; 人工神经网络; 纹理;
D O I
暂无
中图分类号
P237 [测绘遥感技术];
学科分类号
070404 [天体测量学];
摘要
首先利用支持向量机(SVM)和人工神经网络(ANN)对Landsat 8 OLI多光谱影像进行基于光谱信息的土地利用监督分类;然后,对多波段进行主成分变换,提取第一主成分的主要纹理信息,与光谱信息一起进行融合光谱和纹理信息的SVM和ANN影像监督分类。对比分析发现:对中原地区,SVM是Landsat 8多光谱遥感影像分类的较优方法,尤其适用于农业用地信息提取;光谱分类即可达到较高精度,纹理信息对提高分类精度的作用十分有限。
引用
收藏
页码:19 / 22
页数:4
相关论文
共 9 条
[1]
遥感图像智能处理.[M].李朝锋; 曾生根; 许磊; 著.电子工业出版社.2007,
[2]
Support vector machines in remote sensing: A review.[J].Giorgos Mountrakis;Jungho Im;Caesar Ogole.ISPRS Journal of Photogrammetry and Remote Sensing.2010, 3
[3]
Impacts of imagery temporal frequency on land-cover change detection monitoring [J].
Lunetta, RS ;
Johnson, DM ;
Lyon, JG ;
Crotwell, J .
REMOTE SENSING OF ENVIRONMENT, 2004, 89 (04) :444-454
[4]
Classification of wheat crop with multi-temporal images: performance of maximum likelihood and artificial neural networks [J].
Murthy, CS ;
Raju, PV ;
Badrinath, KVS .
INTERNATIONAL JOURNAL OF REMOTE SENSING, 2003, 24 (23) :4871-4890
[5]
SUPPORT-VECTOR NETWORKS [J].
CORTES, C ;
VAPNIK, V .
MACHINE LEARNING, 1995, 20 (03) :273-297
[6]
一种联合光谱和纹理特征的滩涂提取技术 [J].
赵亮 ;
王淑香 ;
李润生 .
海洋测绘, 2015, 35 (05) :60-62+66
[7]
人工神经网络在遥感影像分类中的应用与对比研究 [J].
都业军 ;
周肃 ;
斯琴其其格 ;
方吉宙 .
测绘科学, 2010, (S1) :120-121+51
[8]
利用分维向量改进神经网络在遥感模式识别中的分类精度 [J].
章杨清 ;
刘政凯 .
环境遥感, 1994, (01)
[9]
结合多特征描述和SVM的遥感影像分类研究 [D]. 
李奇峰 .
郑州大学,
2015