目录
第一章绪论 (1)
1.1 研究背景以及意义 (1)
1.2 研究现状 (2)
1.3 章节内容安排 (3)
第二章基于支持向量机的高空间分辨率遥感影像分类 (5)
2.1 统计学习理论 (5)
2.2 支持向量机方法 (6)
2.2.1 基本的支持向量机 (6)
2.2.2 支持向量机解决非线性问题 (9)
2.2.3 松弛变量的引入 (11)
2.2.4 支持向量机结合高空间分辨率遥感影像 (12)
2.3 支持向量机核函数的选择 (13)
2.3.1 线性核函数 (13)
2.3.2 多项式核函数 (13)
2.3.3 径向基核函数 (13)
2.3.4 多层感知器 (14)
2.4 支持向量机的多分类问题 (14)
2.4.1 “一对多”方法 (15)
2.4.2 “一对一”方法 (15)
2.4.3 DAG方法 (16)
2.5 实验部分 (17)
2.5.1 实验数据 (17)
2.5.2 训练样本选择 (18)
2.5.3 支持向量机分类 (19)
第三章像元形状指数方法 (22)
3.1 像元形状指数 (22)
3.1.1 方向线的提取 (22)
IV
万方数据
3.1.2 PSI特征的提取 (23)
3.1.3 PSI方法的参数 (24)
3.2 用于对比的特征提取方法 (25)
3.2.1 小波纹理特征方法 (25)
3.2.2 多尺度区域特征方法 (26)
3.3 实验部分 (27)
3.3.1 PSI方法实验 (27)
3.3.2 小波纹理特征方法与多尺度区域特征方法实验 (30)
3.3.3 三种特征提取方法的比较分析 (38)
第四章基于自适应带宽的均值漂移算法的面向对象分类 (40)
4.1 从面向像元到面向对象 (40)
4.2 MS方法 (41)
4.2.1 MS向量 (41)
4.2.2 MS向量与非参数概率密度估计的关系 (43)
4.2.3 MS聚类方法 (44)
4.2.4 MS算法应用于遥感影像聚类 (45)
4.3 自适应带宽的MS方法 (46)
4.4 实验部分 (48)
第五章总结与展望 (56)
5.1 本文的总结 (56)
5.2 研究展望 (56)
参考文献 (57)
攻读硕士学位期间取得的研究成果 (60)
致谢 (61)
V
万方数据
第一章绪论
第一章绪论
1.1 研究背景以及意义
进入20世纪90年代以来，随着高分辨率长线阵和大面阵CCD的问世，卫星遥感影像的空间分辨率有了显著的提高。遥感影像的空间分辨率由过去的Landsat-4/5的80m、SPOT-1/2的10m发展到了ALOS的2.5m、IKONOS-2的1m，特别是美国于2001年发射的“Quick Bird”以及07年、08年发射的Worldview、Orbview系列，分别能提供
0.61m与0.5m以下的空间分辨率的全色影像。相对于中低空间分辨率的遥感影像，这
种具有高空间分辨率的遥感影像的出现极大的丰富了地物目标的纹理、形状、几何结构信息，由空间观测地球所得到的卫星数据更接近于人眼感知的范畴，使目视解译工作较过去更简单。此外，遥感影像随着空间分辨率的提高，影像中混合像元的数量得以减少，纯净像元随之增多，有效削弱了混合像元的影响，能够在较小空间尺度下观察地物特征的细节变化，为实现高精度的地物目标识别与分类提供了可能。
与此同时，高空间分辨率遥感影像所具有的特点也为从其中及时准确的获取有用信息带来了新的挑战。
首先，遥感影像的空间分辨率提高伴随着数据量的激增。高空间分辨率遥感影像动辄数以TB计的数据量使得传统的、具有高精度优势的目视解译失去了用武之地。同时对于高空间分辨率遥感影像而言，现有的多数自动分类技术不能充分利用影像的纹理、形状、几何结构等重要的空间信息，分类结果存在严重的“椒盐噪声现象”，不能兼顾效率与精确度。
其次，影像空间分辨率的提高通常意味着影像光谱分辨率的降低。相较于过去的中低空间分辨率影像，高空间分辨率影像能够描述中低分辨率卫星难以探测到的诸如车辆、建筑间的小路、小面积植被等地物目标，具有更强的对地物目标信息的获取能力。
然而受限于空间成像技术的发展，在传感器条件接近的情况下，空间分辨率的提升不免带来传感器所提供光谱波段的减少，光谱分辨率的降低。因此，地物目标的信息高度细节化以及光谱分辨率的相对降低必然导致地物目标的光谱分布复杂化，同类地物目标的光谱信息差异性增大，不同地物目标的光谱信息部分相互重叠，使得类内方差变大，类间方差变小，造成“同谱异质”、“同质异谱”现象大量发生，大大降低了影像的分类精度。
此外，高空间分辨率影像所提供的丰富的空间信息有待充分利用。高空间分辨率影
1
万方数据