SVM在多源遥感图像分类中的应用研究

被引：40

作者：

何灵敏 ^{[1
]}

沈掌泉 ^{[1
]}

孔繁胜 ^{[1
]}

刘震科 ^{[2
]}

机构：

[1] 浙江大学人工智能研究所

[2] 中国石油化工股份公司中南分公司研究院

来源：

中国图象图形学报 | 2007年 / 04期

关键词：

支持向量机; 分类; 多源数据; 模型选择;

D O I：

暂无

中图分类号：

TP751 [图像处理方法];

学科分类号：

081002 ;

摘要：

在利用遥感图像进行土地利用/覆盖分类过程中,可采用以下两种途径来提高分类精度:一是通过增加有利于分类的数据源,引入地理辅助数据和归一化植被指数(NDVI)来进行多源信息融合;二是选择更好的分类方法,例如支持向量机(SVM)学习方法,由于该方法克服了最大似然法和神经网络的弱点,非常适合高维、复杂的小样本多源数据的分类。为了提高多源遥感图像分类的精度,还研究了支持向量机在遥感图像分类中模型的选择,包括多类模型和核函数的选择。分类结果表明,支持向量机比传统的分类方法具有更高的精度,尤其是基于径向基核函数和一对一多类方法的支持向量机模型更适合多源遥感图像分类,因此,基于支持向量机的多源土地利用/覆盖分类能大大提高分类精度。

引用

页码：648 / 654

页数：7