基于SVM的SAR图像分类研究

被引：13

作者：

汤井田 ^{[1
]}

胡丹 ^{[1
]}

龚智敏 ^{[2
]}

机构：

[1] 中南大学信息物理工程学院

[2] 武汉科技大学资源环境工程学院

来源：

遥感技术与应用 | 2008年 / 03期

关键词：

支持向量机; 灰度共生矩阵; 特征提取; 纹理分类; SAR图像;

D O I：

暂无

中图分类号：

TP391.41 []; TN958 [雷达：按体制分];

学科分类号：

080203 ; 080904 ; 0810 ; 081001 ; 081002 ; 081105 ; 0825 ;

摘要：

支持向量机(SVM)是一种卓越的分类方法,灰度共生矩阵(GLCM)则是一种很好的纹理分析方法,而纹理是合成孔径雷达(SAR)图像分类的一个重要特征,故而提出了一种使用灰度共生矩阵进行特征提取的应用支持向量的SAR图像分类法。实验结果证明了支持向量机算法的可行性和有效性。

引用

页码：341 / 345

页数：5

共 8 条

[1] 基于灰度共生矩阵提取纹理特征图像的研究 [J].

冯建辉 ;

杨玉静 .

北京测绘, 2007, (03) :19-22

[2] 基于SVM的图像分类算法与实现 [J].

张淑雅 ;

赵一鸣 ;

李均利 .

计算机工程与应用, 2007, (25) :40-42+86

[3] 图像纹理的灰度共生矩阵计算问题的分析 [J].

薄华 ;

马缚龙 ;

焦李成 .

电子学报, 2006, (01) :155-158+134

[4] 基于SVM的图像分类 [J].

王亮申 ;

欧宗瑛 ;

朱玉才 ;

侯杰 ;

于京诺 .

计算机应用与软件, 2005, (05) :98-99+126

[5] 一种基于支持向量机的纹理图像分类法 [J].

辛宪会 ;

郭建星 ;

解志刚 ;

邱振戈 .

海洋测绘, 2005, (02) :41-43+47

[6] 应用支持向量机的纹理分类 [J].

李毅 ;

阮秋琦 ;

不详 .

通信学报 , 2005, (01) :114-119

[7] 基于树型小波和灰度共生矩阵的SAR图像分类 [J].

胡伏原 ;

张艳宁 ;

薛笑荣 ;

苏爱民 .

系统工程与电子技术, 2003, (10) :1286-1288

[8] 辅以纹理特征的SAR图像分类研究 [J].

方圣辉 ;

朱武 ;

不详 .

测绘通报 , 2001, (10) :12-14

← 1 →