基于背景抑制条件下的SVDD遥感影像目标探测方法
摘要
传统的SVDD遥感影像目标探测方法有监督分类和非监督分类，本文主要研究监督分类。传统的分类方法，一般是基于概率统计，主要有最大似然分类，马氏距离分类，最小距离分类。人们不断的尝试和研究新的方法，以便改善分类精度。近年来，研究较多的是决策树、支持向量机等。
本文首先对五种分类方法进行简单概述，然后选取训练样本，最后进行分类。重点介绍了以NDVI值、高程值、坡度值和主成分变换为分类条件的决策树分类过程，最后输出分类图。通过误差矩阵和Kappa系数对不同分类方法的结果进行精度评价。
最后，通过数据比较和图表分析，可以看出这五种分类方法中，分类精度由高到低依次是：支持向量机、最大似然法、决策树、马氏距离和最小距离。新型方法优势明显，决策树的精度有待提高。
关键词：SVDD遥感影像目标探测；支持向量机；决策树；精度分析
Abstract
The traditional classification method are supervised classification and the supervised classification, this paper research the supervised classification mainly. The traditional remote sensing image classification method is based on the probability and statistics, mainly has the Maximum likelihood, Mahalanobis distance, Minimum distance. People keep try and study the new method to improve the accuracy of classification. In recent years, the most study are Decision tree and Support vector machine, etc.
This paper first gives a brief overview on the five types of classification method, then determines and chooses the training sample, finally classify the image. This paper focuses on the decision tree classification process mainly, which on base of NDVI value, elevation values, slope values and the transformation of principal components. Finally, the accuracy of the results of different classifications is evaluated through the error matrix and Kappa coefficient.
Through the comparison of data and analysis of chart, we can see the results of this five classification methods. And the order of the classification accuracy from high to low is support vector machines, the maximum likelihood method, the decision tree, Mahalanobis distance and minimum distance. Decision tree method needs to be improved the accuracy.
Key words：Remote sensing image classification; Support vector machine ;Decision tree; Classification accuracy
目录
摘要 I
Abstract II
1 绪论 1
1.1 研究背景 1
1.2 SVDD遥感影像目标探测研究现状 1
1.3 提高分类精度的新方法和新技术 2
1.4 本文主要研究内容 3
1.5 本文研究技术路线 3
2 背景抑制条件下遥感影像计算机分类方法 4
2.1 遥感影像计算机分类的基本原理 4
2.2 传统的非监督分类方法 4
2.2.1 K均值分类 5
2.2.2 ISODATA分类方法 5
2.3 传统的监督分类方法 5
2.3.1 遥感影像计算机分类流程 5
2.3.2 最大似然分类 6
2.3.3 最小距离分类 6
2.3.4 马氏距离分类 7
2.4 新型的监督分类方法 7
2.4.1 支持向量机 7
2.4.2 决策树分类方法 8
2.5 SVDD遥感影像目标探测精度评价 9
2.5.1 评价的标准 9
2.5.2 混淆矩阵 9
2.5.3 Kappa 系数 9
3 特征的提取和选择 11
3.1 研究区概况 11
3.2样本的确定原则 11
3.3波段的分析和选择 11
4 新型分类方法技术支持 14
4.1 支持向量机 14
4.1.1 核函数选取 14
4.1.2 其他参数设置 15
4.2 决策树分类的技术支持 15
4.2.1不同地物光谱响应特征分析统计 15
4.2.2 NDVI植被指数分析统计 17
4.2.3 高程值分析统计 18
4.2.4 坡度值分析统计 19
4.2.5 主成分变换分析统计 20
5 背景抑制条件下SVDD遥感影像目标探测的实现和精度评价 22
5.1传统的监督分类的实现 22
5.1.1 训练样本的提纯 22
5.1.2 最大似然分类 22
5.1.3 马氏距离分类 23
5.1.4 最小距离分类 24
5.1.5 传统的监督分类精度分析与评价 25
5.2 新型的监督分类方法的实现 26
5.2.1 支持向量机分类 26
5.2.2 决策树分类 27
5.2.3 新型分类方法与传统方法的比较分析 29
6 结论与展望 30
6.1结论 30
6.2展望 30
致谢 32
参考文献 33
参考文献
[1] 吴学军.城市TM遥感图像分类方法研究[D].广西：广西师范大学，2007
[2] 梅安新.遥感导论[M].北京:高等教育出版社.2001年7月,193～201
[3] 李飞雪,李满春，赵书河.基于人工神经网络与决策树相结合模型的遥感图像自动分类研究[J].遥感信息,2003,33(3):2
[4] 赵英时.遥感应用分析原理与方法[M].北京:科学出版社.2005年8月,160～176
[5] 任琼.基于SVM的余杭生态公益林类型的遥感分类研究[D].南京：南京林业学院，2008
[6] 党安荣等.遥感图像处理方法[M].北京:清华出版社.2002年12月，203～216
[7] 吴非权,马海州,沙占江等.基于决策树分类法与监督、非监督分类方法相结合模型的遥感应用研究 [J]. 盐湖研究.2005, 13(4):9～12
[8] 李石华，王金亮，毕艳等.遥感图像分类方法研究综述[J].国土资源遥感.2005,33(2):1～4
[9] Benediktsson J, Swain P and Essoy O. Neural Network Approaches sversus Statistical Methods in Classification of Multi source Remote Sensing Data[J]. IEEE Transactions on Geo-science and Remote Sensing.1990
[10] 贾萍，李海涛等.基于SVM的多源SVDD遥感影像目标探测研究[J].测绘科学,2008,33(4):1～2
[11] 李爽，张二勋.基于决策树的SVDD遥感影像目标探测方法研究[J].地域研究与开发.2003,22(1):17～19
[12] 潘琛,杜培军,张海荣.决策树分类法及其在遥感图像处理中的应用[J]. 测绘科学.2008, 33(1):208～210
[13] 邓锟，常庆瑞，纪娜.基于多元信息的TM遥感图像计算机分类[J].图像处理.2008,33(2):58～60
[14] 王一达，沈熙玲，谢炯.遥感图像分类方法综述[J].综述.2006,24(1):106～107
[15] 张剑飞.数据挖掘中决策树分类方法研究[J].长春师范学院学报（自然科学版）.2005,24(1):96～97
http://www.bysj360.com/html/5839.html
http://www.bysj360.com/html/6302.html
