遥感图像处理A课件 第八章+图像分类+-+遥感图像处理

遥感图像处理-图像分类1、图像分类概述遥感图像分类概述分类的定义分类的意义分类的难点分类的定义

遥感图像分类以遥感数字图像为研究对象，在计算机系统支持下，综合运用地学分析、遥感图像处理、地理信息系统、模式识别与人工智能技术，实现地学专题信息的智能化获取。其基本目标是将人工目视解译遥感图像发展为计算机支持下的遥感图像理解。分类的意义由于利用遥感图像可以客观、真实和快速地获取地球表层信息，这些现势性很强的遥感数据在自然资源调查与评价、环境监测、自然灾害评估与军事侦察上具有广泛应用前景。因此，利用计算机进行遥感图像智能化解译，快速获取地表不同专题信息，并利用这些专题信息迅速地更新地理数据库，这是实现遥感图像自动理解的基础研究之一，因此具有重要的理论意义和应用前景。分类的难点（一）

利用计算机对遥感数字图像进行分类难度很大。遥感图像是从遥远的高空成像的，成像过程要受传感器、大气条件、太阳位置等多种因素的影响。影像中所提供的目标地物信息不仅不完全，而且或多或少地带有噪声，因此人们需要从不完全的信息中尽可能精确地提取出地表场景中感兴趣的目标物。分类的难点（二）遥感影像信息量丰富，与一般的图像相比，其包容的内容远比普通的图像多，因而内容非常“拥挤”。不同地物间信息的相互影响与干扰使得要提取出感兴趣的目标变得非常困难。遥感图像的地域性、季节性和不同成像方式更增加了计算机对遥感数字图像进行解译的难度。

2、图像分类的原理分类的原理(一)计算机遥感图像分类是统计模式识别技术在遥感领域中的具体应用。统计模式识别的关键是提取待识别模式的一组统计特征值，然后按照一定准则作出决策，从而对遥感图像予以识别。遥感图像分类的主要依据是地物的光谱特征，即地物电磁波辐射的测量值，这些测量值可以用作遥感图像分类的原始特征变量。然而，就某些特定地物的分类而言，多波段影像的原始亮度值并不能很好地表达类别特征，因此需要对数字图像进行运算处理（如比值处理、差值处理、主成分变换以及K－T变换等），以寻找能有效描述地物类别特征的模式变量，然后利用这些特征变量对数字图像进行分类。分类是对图像上每个像素按照亮度接近程度给出对应类别，以达到大致区分遥感图像中多种地物的目的。分类的原理（二）3.遥感图像分类的常使用距离和相关系数来衡量相似度。采用距离衡量相似度时，距离越小，相似度越大。采用相关系数衡量相似度时，相关程度越大，相似度越大。遥感影像分类原理同类地物在相同的条件下（纹理、地形等），应具有相同或相似的光谱信息特征和空间信息特征，从而表现出同类地物的某种内在的相似性，即同类地物像元的特征向量将集群在同一特征空间区域；而不同的地物其光谱信息特征或空间信息特征将不同，集群在不同的特征空间区域。3、遥感图像分类基本过程分类的基本过程（一）遥感数字图像计算机分类基本过程如下：首先明确遥感图像分类的目的及其需要解决的问题，在此基础上根据应用目的选取特定区域的遥感数字图像，图像选取时应考虑图像的空间分辨率、光谱分辨率、成像时间、图像质量等。根据研究区域，收集与分析地面参考信息与有关数据。为提高计算机分类的精度，需要对数字图像进行辐射校正和几何纠正（这部分工作也可能由提供数字图像的卫星地面站完成）。对图像分类方法进行比较研究，掌握各种分类方法的优缺点，然后根据分类要求和图像数据的特征，选择合适的图像分类方法和算法。根据应用目的及图像数据的特征制定分类系统，确定分类类别，也可通过监督分类方法，从训练数据中提取图像数据特征，在分类过程中确定分类类别。分类的基本过程（二）找出代表这些类别的统计特征。为了测定总体特征，在监督分类中可选择具有代表性的训练场地进行采样，测定其特征。在无监督分类中，可用聚类等方法对特征相似的像素进行归类，测定其特征。对遥感图像中各像素进行分类。包括对每个像素进行分类和对预先分割均匀的区域进行分类。分类精度检查。在监督分类中把已知的训练数据及分类类别与分类结果进行比较，确认分类的精度及可靠性。在非监督分类中，采用随机抽样方法，分类效果的好坏需经实际检验或利用分类区域的调查材料、专题图进行核查。对判别分析的结果统计检验。4、遥感图像分类方法监督分类和非监督分类监督分类法：选择具有代表性的典型实验区或训练区，用训练区中已知地面各类地物样本的光谱特性来“训练”计算机，获得识别各类地物的判别函数或模式，并以此对未知地区的像元进行分类处理，分别归入到已知的类别中。非监督分类：是在没有先验类别（训练场地）作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（即相似度的像元归为一类）的方法。非监督分类—特征空间图形识别图形识别分类就是对分类的地区事先完全不了解，计算机只根据人们规定的某些要求和阈值对图像进行分析，采用对图像逐行逐个像元相比较的无人管理分类方法。

特征空间图形识别分类特点1．不能精确控制分类的类别数。2．当地物光谱响应是不重合的正态分布时是可行的，并且容易实现，但若特征分布出现交叠，则使用这种方法将产生较大的分类错误。3．该分类法的主要优点是简单、速度快。非监督分类—系统聚类1）将图像中每个像元看作一类，作为分类的初始值2）计算各类均值间的相关系数矩阵R3）从已分类别中选取最邻近的两类进行合并4）重复步骤2-3，直到合并的新类之间符合分类的要求为止(各类间的相关系数小于阀值或是距离大于阀值）系统聚类法的局限性系统聚类过程中采用的统计量要视具体情况而定，但也可利用该特点结合不同统计量分类，提高准确性非监督分类—动态聚类动态聚类就是在开始时先建立一批初始中心，而让待分类的各个像元依据某些判决准则向初始中心凝聚，然后再逐步修改调整中心，重新分类；并根据各类离散性统计量和两类间可分离性的统计量再进行合并和分裂。此后再修改调整中心，这样不断继续下去，直到分类比较合理为止。监督分类需要事先确定训练场地和选择训练样本，训练样本需要具有一定的代表性考虑到各种地物光谱辐射的复杂性和干扰因素的多样性，需要多考虑一些样本在某一地区建立起来的判别式只能适用于同一地区或地学条件相似的地区监督分类-训练样区选择与统计收集现场信息在屏训练数据多边形选择在屏训练数据的种子选择监督分类—训练样本的选取用于监督分类地训练场地应该是光谱特征比较均一的地区，一般在图像显示中根据均一的色调估计只有一类地物，而且一类地物的训练场地可选取一块以上。训练样本的数目至少要能满足建立分类用判别函数的要求，以克服各种偶然因素的影响，而对于光谱特征变化较大的地物，训练样本的数目要更多一些，以反映其变化范围。一般情况下，要得出可靠的统计数据，每类至少要有10～100个训练样本数据。

监督分类—训练样本的选取尽可能地利用一些已知的有用资料，来确定训练场地和训练样本。在使用各种图件资料时应注意以下两个方面：

（1）各种图件的成图日期要尽可能地接近图像成像日期,以保证地物类别分类准确。

（2）空间。要考虑到每一种地物类型随空间变化发生光谱特征变化的可能性，选择训练场地应当能够反映这种变化。在监督分类中由于训练场地是人为选取的，可能不包括所有的自然地物类别，因而分类后留下无类可归的像元。对于这种情况，有两种解决方法：一是将无类可归的像元组成一个未知类；二是按最近距离原则划归到各个已知类中。监督分类-波段特征选取获取每个感兴趣类在各波段上的训练统计量后，必须确定能最有效区分各种类的波段方法：统计分析方法图形分析方法监督分类-最小距离分类法距离作为判别准则，根据像点到各类中心的距离来判别分类距离公式欧几里德距离绝对距离不同类别的灰度值的变化范围即其方差的大小是不同的，不能简单地用像元到类中心的距离来划分像元的归属；自然地物类别的点群分布不一定是圆形或球形的，即在不同方向上半径是不同的，因而距离的量度在不同方向上应有所差异。K-最近邻分类器

监督分类--最大似然比分类法遥感影像分类后处理-小区合并分类后影像像元值—地面物体的类别问题：存在零星分布的小面积区域解决方法：

1）分类前影像平滑

2）分类后小区合并—将小于一定面积的像元合并到邻近区域遥感影像分类后处理—误差分析目的：检验分类效果方法：抽样检验抽样方法：1）监督分类的样本区2）试验场抽样3）随机抽样评价方式：混淆矩阵辅助数据改进遥感分类的方法地理分层分类器操作分类后处理遥感信息与非遥感信息的复合遥感影像与地图的复合

地图影像化

影像地图化DTM与遥感数据的复合遥感与地球物理、地球化学数据的复合遥感信息与地球物理、化学数据复合遥感信息--地表空间特征地球物理、地球化学特征--不同深度地物的物理性质，如内部结构、物理组成、基层表面起伏专题图栅格化空间配准构建信息表达模型及提取方法遥感信息与地球物理、化学数据复合基于面向对象影像分割的分类方法遥感信息认知中的对象对象对象面向基元的遥感信息提取方案高空间分辨率影像SAR数据Lidar数据GIS矢量数据多尺度分析光谱、形状、纹理特征库模糊规则库认知基元基元特征的定量化表达模糊逻辑推理信息提取结果决策知识库地物知识库数据层分析层基元层决策层结果层遥感信息认知中的尺度问题地表信息—多层次结构尺度依赖认知过程--不同的地物实体有不同的最佳提取尺度选择适当的尺度，才能有效、完整地提取信息

影像对象的尺度表示…邻对象…子对象…父对象42影像对象构建方法多尺度影像分割首先通过初始分割将影像像元合并成较小的初始影像对象,然后通过多次循环将较小的影像对象合并成较大的多边形对象尺度空间内影像对象构建考虑遥感、高程、专题矢量图层等多源信息的构建模型多种约束的基元构建方法保证基元的准确性阈值控制基元所在尺度层次44影像对象构建方法与参数优化对象合并准则在初始分割基础上，通过将初始影像对象逐步合并为较大的对象来实现多尺度对象的构建，对象合并的停止条件是由其尺度准则决定的45影像对象构建方法尺度为：16平均面积：867.6尺度为：32平均面积：2131.1尺度为：128平均面积：8274.8尺度为：256平均面积：30171影像对象的特征描述基于对象的信息识别作操辑逻…目标类2目标类3目标类n目标类1特征1特征2特征3特征m…结果特征元μc1μc2μc3…μc4表示对应目标类中所选择的特征人工神经网络分类生物神经网络(biologicalneuralnetwork,BNN)，特别是人脑人工神经网络(artificialneuralnetwork,ANN)：由大量神经元经广泛互联组成的非线性网络（功能模块，数学模型）自底向上的综合方法：50神经元-Neuron神经网络-Artificialneuralnetwork神经元模型NeuronModel：多输入，单输出，带偏置R个输入pi∈R，即

R维输入矢量pn:netinput,n=wp+b。R个权值wi∈R，即

R维权矢量w阈值b输出a=f(n),f:transferfunction神经网络的学习方法神经网络的学习：从环境中获取知识并改进自身性能，主要指调节网络参数使网络达到某种度量，又称为网络的训练学习方式：监督学习非监督学习再励学习学习规则(learningrule)：Hebb学习算法误差纠正学习算法竞争学习算法监督学习对训练样本集中的每一组输入能提供一组目标输出网络根据目标输出与实际输出的误差信号来调节网络参数教师神经网络比较环境实际输出输入期望输出误差信号p(n)t(n)a(n)e(n)第八章人工神经网络55误差纠正学习对于输出层第k个神经元的

实际输出:ak(n)

目标输出:tk(n)

误差信号:ek(n)=tk(n)-ak(n)

目标函数为基于误差信号ek(n)的函数，如误差平方和判据(sumsquarederror,SSE)，或均方误差判据(meansquarederror,MSE,即SSE对所有样本的期望)SSEMSE误差纠正学习梯度下降法：对于感知器和线性网络：delta学习规则对于多层感知器网络：扩展的delta学习规则，bp算法前馈神经网络及其主要方法前馈神经网络(feedforwardNN)：各神经元接受前级输入，并输出到下一级，无反馈，可用一有向无环图表示。特点：前馈网络通常分为不同的层(layer)，第i层的输入只与第i-1层的输出联结。层的分类：可见层：输入层(inputlayer)和输出层(outputlayer)隐层(hiddenlayer)：中间层感知器感知器(perceptron)：单层网络，通过监督学习建立模式识别能力感知器目标输出的编码方法一个输出单元对应一个类别，如果输入训练样本的类别标号是i，则对应的目标输出编码为：第i个输出节点为1，其余节点均为0多层感知器多层感知器:Multi-LayerPerceptron,MLPArchitecture：多层感知器的一致逼近性单个阈值神经元可以实现任意多输入的与、或及与非、或非逻辑门任何逻辑函数可由两层前馈网络实现当神经元的输出函数为Sigmoid等函数时，两层前馈网络可以逼近任意的多元非线性函数MLP的适用范围大大超过单层网络反向传播(BP)算法问题：多层感知器的中间隐层不直接与外界连接，其误差无法直接计算。反向传播(Backpropagation)算法：从后向前（反向）逐层“传播”输出层的误差，以间接算出隐层误差。分两个阶段：正向过程：从输入层经隐层逐层正向计算各单元的输出。反向过程：由输出层误差逐层反向计算隐层各单元的误差，并用此误差修正当前层的权值。初始值选择前向计算，求出所有神经元的输出对输出层计算δ从后向前计算各隐层δ计算并保存各权值修正量：修正权值：判断是否收敛，如果收敛则结束，不收敛则转至Step2BP算法的步骤模糊分类模糊聚类分析具体步骤如下：首先确定Xi与Xj间的相关程度rij=μ(xi,xj)，然后建立模糊相似矩阵。将相似矩阵改造成等价矩阵。为此作矩阵合成运算。当某一步出现R2K=RK时，便是一个模糊等价矩阵。有了等价矩阵RK，根据聚类需细分还是粗分的要求，在[0，1]中选取一个数λ，凡rij≥λ的元素变为l，否则变为0，从而达到分类的目的。

模糊聚类分析

㈠建立模糊矩阵：Fuzzy聚类分析的第一步叫标定，即使用普通聚类分析中的确定相似系数的方法来建立Fuzzy相似方阵：

r11r12r13…r1n r21r22r23…r2n

R=……… rn1rn2rn3…

rnn①计算相似系数：计算ui与uj之间的相似系数rij的方法很多例:设被分类的对象集U＝{u1，u2，u3，…u5}，每个对象的特征数据如下

u1=(3，2，4，6，7，4)，u2=(6，5，4，3，8，6)，u3=(9，5，7，3，2，1)，u4=(5，9，4，6，3，8)，u5=(4，6，3，7，8，4)．利用最小最大法计算；计算系数rij的值。综合评判根据多个因素对事物进行评定，称为综合评判.模型已知条件：问题：综合考虑问题的提出与理解1.遥感应用问题的理解数据

信息服务遥感信息提取是关键2.遥感信息提取问题理解定量提取------描述观测目标的定量化(反演问题)连续变量如:温度,压力,浓度定性提取-----描述观测目标的定性化(目标识别分类问题)离散变量如:地物在规定范畴内分类.

问题的难度1.信息产生机理是否清楚?2.携带信息的数据噪声?3.遥感数据本身的特点同物异谱同谱异物问题所在的关键是”物”的定义人类对”物”的定义不仅仅根据物质组成特性(光谱)还根据其他如结构等,人类认识事物复杂性的体现面向对象的思想----模拟人类认识事物的思维选择研究支持向量机研究遥感分类问题的理由1.基于统计学习理论的机器学习算法机器学习问题实际是模拟人类认识问题的思维过程,自动分类的主要工具.2.SVM具有已经广泛认可和应用的ANN更多的优势

ANN:期望风险最小化到经验风险最小化没有可靠的依据,只是直观上合理的想当然。需要大样本的前提;高斯分布

数学上难以求解最优值---容易陷入局部最小;对数据噪声敏感---抗噪性差;Hughes现象---维数与样本数之比;

SVM:结构化风险----经验风险\缩小置信范围之间折中

可以处理小样本;数学上是凸二次规划问题---可以得到最优解;抗噪声能力强;处理高维数据,Hughes现象小;支持向量机理论基础广义最优分类面（续1）假定训练数据可以被一个超平面分开我们进行正归化此时分类间隔等于使最大间隔最大等价于使最小广义最优分类面（续2）最优分类面问题可以表示成约束优化问题MinimizeSubjectto定义Lagrange函数

约束优化问题的解支持向量机很多情况下，训练数据集是线性不可分的，Vapnik等人提出了用广义分类面（松弛子）来解决这一问题。非线性问题——通过非线性变换将它转化为某个高维空间中的线性问题，在这个高维空间中寻找最优分类面。高维空间中的最优分类面分类函数只涉及到训练样本之间的内积运算(xi·xj) ,因此,在高维空间中只需进行内积运算,这种内积运算可通过定义在原空间中的函数来实现,甚至不必知道变换的形式。SLT指出,根据Hibert-Schmidt原理,只要一种运算满足Mercer条件,就可以作为内积使用。支持向量机在最优分类面中采用适当的内积函数就可以实现某一非线性变换后的线性分类,而计算复杂度却没有增加。核函数SVM中不同的内积核函数将形成不同的算法,主要的核函数有三类：多项式核函数径向基函数S形函数研究现状----方向应用研究如何针对不同的问题选择不同的核函数仍然是一个悬而未决的问题。支持向量机研究支持向量机算法研究主要应用领域手写数字识别语音识别人脸识别文本分类……..遥感图像处理分析应用研究SVM的应用主要于模式识别领域贝尔实验室对美国邮政手写数字库进行的实验分类器错误率人工表现2.5%决策树C4.516.2%最好的两层神经网络5.9%SVM4.0%支持向量机实现SVMlight -2.private:/usr/local/binsvm_learn,svm_classifybsvm -2.private:/usr/local/binsvm-train,svm-classify,svm-scalelibsvm -2.private:/usr/local/binsvm-train,svm-predict,svm-scale,svm-toymySVMMATLABsvmtoolbox原始遥感影像(图像空间)--------------特征空间--------分类器特征提取与选择样本学习分类结果待分类影像研究热点特征提取与选择:光谱特征---包括灰度值、均值、方差、灰度比值结构纹理特征---特征包括对象方差、面积、密度、对称性、主方向的均值和方差等形状特征---形状特征包括面积、长度、宽度、边界长度、长宽比、形状因子、密度、主方向、对称性，位置等空间相邻关系特征----根据先验知识定义分类算法/分类器:最大似然法遗传算法神经网络支持向量机…….基于支持向量机遥感信息提取思路------目标分类基于像素级的分类:1.对于一幅具有N类不同地物目标的图像,定义Y=(y1,y2,…..yN)为类别矢量2.确定描述单个像素点的特征矢量X=(x1,x2,……..xn)3.根据原始影像数据将所有像素点的特征矢量值求出.4.根据先验知识,选取K个包含N类不同目标类别的训练样本即(X1,Y1),(X2,Y2)……(XK,YK)5.利用支持向量机训练获得最优判别函数模型6.利用训练好的支持向量机模型进行对未知像素的预测分类7.精度评价基于支持向量机遥感信息提取思路------目标分类基于对象级的分类:1.对于一幅具有N类不同地物目标的图像,定义Y=(y1,y2,…..yN)为类别矢量2.确定描述对象单元的特征矢量X=(x1,x2,……..xn)3.对图像进行对象分割4.计算每个分割后的对象单元的特征矢量值5.根据先验知识选取选取K个包含N类不同目标类别的训练样本(对象单元)即(X1,Y1),(X2,Y2)……(XK,YK)6.利用支持向量机训练获得最优判别函数模型7.利用训练好的支持向量机模型进行对未知对象单元的预测分类8.精度评价SVM遥感分类研究主要存在的问题应用SVM的遥感图像分类研究目前多集中于高光谱数据，并且多集中于其他常规算法的对比分析上。应用于多光谱和高分辨率数据的研究较少。应用SVM开展直接应用光谱信息分类研究较多，综合除光谱信息外的上下文信息的研究较少。由于核函数的选择对于支持向量机的性能具有影响，目前的研究较少考虑遥感数据的光谱特性的先验知识，开发适合遥感数据的新的核函数较少。基于合成核函数的支持向量机应用于遥感图像的分类的初步研究已经表明其具有提高分类精度的潜力，但如何根据遥感数据特点构造合成核的研究较少。实际应用中，SVM分类模型参数中的惩罚值C、核参数G等的选取是影响分类结果的关键参数，传统的确定方法是网格搜索方法，加上随着训练样本数目的增加，学习训练过程非常耗时，影响了SVM的快速处理的应用。支持向量机软件工具-LIBSVM介绍LIBSVM是台湾大学林智仁(LinChih-Jen)副教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包ibsvm是著名的SVM开源组件,版本类型JAVA.C/C++,.NET等功能:模式识别\分类函数回归估计LIBSVM使用的一般步骤是：

1）按照LIBSVM软件包所要求的格式准备数据集；

2）对数据进行简单的缩放操作；

3）核函数类型选择；---------(线性,多项式,RBF函数,sigmoid)

4）采用交叉验证选择最佳参数C与g；

5）采用最佳参数C与g对整个训练集进行训练获取支持向量机模型；

6）利用获取的模型进行测试与预测。LIBSVM使用的数据格式

该软件使用的训练数据和检验数据文件格式如下：

<label><index1>:<value1><index2>:<value2>...

其中<label>是训练数据集的目标值，对于分类，它是标识某类的整数(支持多个类)；对于回归，是任意实数。<index>是以1开始的整数，可以是不连续的；<value>为实数，也就是我们常说的自变量为了避免计算机处理过程中出现数据灾难,最好将每个<value>归一化到[-1,1]或[0,1]主要功能模块:训练模块Svmtrain用法：svmtrain[options]training_set_file[model_file]预测模块svmpredict用法：svmpredicttest_filemodel_fileoutput_file数据归一化模块svmscalegrid.py用于参数C和Gamma(C与g)的网格化搜索集中解决的问题核函数的构造面向遥感数据的特点以及地物特征的物理含义，构造合适的相似形度量核函数合成核函数及相应核函数权值的确定合成核是多个核函数之间的组合函数，相应的权值代表核函数在分类过程中的贡献或影响，因此，选取合适的权值将大大提高分类的精度基于网格计算平台下的模型参数的训练分类模型参数中的C、G的选取是影响分类结果的关键参数，传统的确定方法是网格搜索方法，加上随着训练样本数目的增加，学习训练过程非常耗时，将开展基于网格计算平台的并行训练以寻求该问题的解决。面向数据的合成核遥感分类实验由于不同的遥感数据具有的地物不同特征的识别分辨能力，因此，支持向量机合成核函数的构造需要根据数据的特点而调整，依靠通用的核函数用来解决不同数据特点的遥感分类问题势必影响分类的精度。因此，将给出应用不同遥感数据的合成核的方法和应用实例。研究成果1:核函数的改进研究修改核函数对于RBF核函数中:D=|Xi-xj|代表的实际上特征矢量之间的相似性度量.对于遥感领域的问题而言,可根据具体问题确定合适的核函数.比如光谱特征而言,可尝试采用光谱角(SpectralAngle,SA)相似性度量:D=arccos((xi.*xj)/||xi||||xj||)1---像素级1.光谱特征2光谱特征+纹理特征2---对象级1.光谱特征(均值,方差)2.光谱特征+纹理特征3.光谱特征+纹理特征+形状特征+…..分类思想光谱核函数集纹理特征核函数集几何形状核函数集前人研究表明,不同特征有不同的相似性(距离)度量函数,且性能表现不同.根据各种不同的度量函数,修改核函数提出如下合成核支持向量机目前存在的问题1．前人的研究成果表明，从数据角度定义合适的核函数可以提高分类精度，对于遥感图像而言，如何根据具体的数据定义合适的核函数是值得研究的问题。2、支持向量机所采用的合成核可以有效提高分类精度，其本质是将分类类别的不同的特征信息或其组合应用于合成核来分别度量其相似性，并通过调整其权系数来表达相应的特征（或特征组合）对分类结果的影响，问题是如何确定根据遥感数据分类的不同特征构造合理的合成核以及确定相应合理的权值？3、现有的遥感图像分类研究基本上主要集中于高光谱数据和多光谱数据，对于分类特征主要大部分集中于光谱信息特征，近年来，部分研究开始结合纹理信息特征，对于高分辨率图像的空间几何信息特征少有研究，如何挖掘支持向量机在高分辨率数据图像中的应用，尤其是进一步结合地物的空间几何信息，提高分类精度，值得深入研究？研究成果2:合成核核函数的改进研究合成核SVMs的思路:K(Xi,Xj)=a1K1(Xi,Xj)+a2k2(Xi,Xj)+……+ankn(Xi,Xj)kn(Xi,Xj)代表对应特征的核函数

a1+a2+……an=1ai代表每类特征对分类结果影响的权重提出:

根据遥感数据特点以及分类问题,采取

光谱核纹理核形状核不同可利用特征动态组合来构造核函数希望一定程度上消除同谱异物和同物异谱对于分类的影响问题:如何合理确定不同特征核之前的权重?

面向数据的合成核支持向量机算法（DataOrientedCompositeKernelbasedSVM，DOCKSVM）多类问题策略---OAO前人:对于所有的分类器,均使用相同的合成核结构,即不同分类器的核之间的权值是一样的.问题:不同的特征对于不同类别组合分类之间的有效性是变化的;例如:

河流与湖泊,光谱特征权重小同谱异物

河流与道路形状特征权重小

不同时期的道路光谱特征权重大同物异谱不同时期的作物光谱特征权重大

研究成果3:基于信息熵的合成核权值确定算法

研究成果4:基于支持向量机的遥感图像分类系统开发原始影像（SPOT）NIR，R，G波段假彩色合成光谱波段4个Green:0.50-0.59μm;Red:0.61-0.68μm;NIR:0.78-0.89μmSWIR:1.58-1.75μm

纹理特征波段3个VarianceEntropySecondMomentVarianceEntropySecondMoment纹理特征波段结果比较生产精度（%）用户精度（%）类别DOCKSVMSVMDOCKSVMSVM水体100.00100.00100.00100.00居民区85.1182.9893.0288.64林地(密)98.4498.4498.4498.44林地(疏)100.00100.0098.4898.48未利用100.00100.00100.00100.00裸地100.0097.6797.7397.67耕地1100.0098.8893.6893.62耕地290.5790.57100.0094.12耕地392.8685.7189.6688.89结果比较DOCKSVMSVM总体精度96.8685%95.8246%Kappa系数0.96430.9524结果比较DOCKSVM模块分类结果SVM模块分类结果水体居民区林地(密)林地(疏)未利用地裸地耕地1耕地2耕地3研究成果6:基于DOCKSVM的地表覆盖变化检测研究ENVI版单机版DOCKSVM软件与LIBSVM软件效果比较DOCKSVM多类问题分类数据描述DOCKSVM多类问题分类DOCKSVM特征域的划分模型最优参数选取DOCKSVM多类问题分类分类精度比较DOCKSVM单类问题分类数据描述DOCKSVM单类问题分类DOCKSVM特征域的划分模型最优参数选取DOCKSVM单类问题分类分类精度DOCKSVM回归数据描述DOCKSVM回归DOCKSVM中合成核中各特征域的核函数权值DOCKSVM特征域划分模型最优参数选取DOCKSVM回归预测精度（均方误差MSE）6、遥感图像分类精度检查

遥感图像分类精度检查在监督分类中把已知的训练数据及分类类别与分类结果进行比较，确认分类的精度及可靠性。在非监督分类中，采用随机抽样方法，分类效果的好坏需经实际检验或利用分类区域的调查材料、专题图进行核查。误差矩阵的评价遥感图像分类精度检查-误差矩阵实际类别试验像元的百分率（%）试验像元类别1类别2类别3184.34.910.8100%10228.580.311.2100%15236.14.189.8100%49对角线元素便是正确分类，非对角线便是错误分类；根据误差矩阵可算出平均精度：S=（84.3%+80.3%+89.8%）/3=84.8%由于各类别样本总数不一样，所以往往使用加权平均：

S=（84.3%*102+80.3%*152+89.8%*49）/（102+152+49）=83.2%7、遥感图像分类中存在的问题

遥感图像分类中存在的问题（一）遥感图像分类算法设计的