毕业设计我帮你

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

 

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

 

1 绪论

遥感（Remote Sensing,简称RS），即遥远的感知，是20世纪60年代兴起的一种探测技术，根据不同地物对波谱产生不同响应的原理，应用各种传感仪器对远距离目标所辐射和反射的电磁波信息，进行收集、处理，并最终成像，从而对地面各种地物进行探测和识别的一种综合技术。

遥感技术作为现代科学的重要组成部分，其主要目的是获取遥感影像提供给各个专业部门使用。随着传感器技术、航天技术、信息技术、计算机技术的飞速发展，遥感技术进入了一个能够动态、准确、快速、多手段提供多种对地观测数据的新阶段，形成了一个对全球进行探测和监测的多层次、多视角、多领域的观测体系，成为获取地球资源与环境信息的重要手段。

SVDD遥感影像目标探测是遥感影像处理的高级阶段，是对地球表面及其环境在遥感影像上的信息进行特征提取，利用获取的特征进行分类，从而达到识别影像信息所对应的实际地物、提取所需地物信息的目的[1]。

1.1 研究背景

SVDD遥感影像目标探测就是利用地物的光谱能量特征差异性和结构特征差异性来识别在一定时间段的地物信息，是遥感技术领域研究的重要课题之一。在遥感技术研究中，无论是专业信息提取、动态变化预测，还是专题地图制作和遥感数据库的建立等都离不开分类[1]。

遥感影像的客观性、真实性和实时性使得遥感数据在资源调查与评价、环境监测、自然灾害评估与军事侦察方面有着广泛的应用前景，其应用研究也得到不断的扩展和深入。SVDD遥感影像目标探测已经成为遥感领域研究的重要内容，如何利用不同的分类方法，解决多类别的遥感影像的分类识别并满足一定的精度，是遥感领域研究的重要课题。

1.2 SVDD遥感影像目标探测研究现状

目视解译是根据样本的影像特征（色调或色彩）和空间特征（形状、大小、阴影、纹理、图形、位置和布局），并与多种非遥感信息资料相结合，运用生物、地学等相关规律，采用对照分析的方法，进行综合分析和逻辑推理[2]。但目视解译具有一定的局限性：首先要求解译人员具有丰富的地学知识和目视解译经验，信息获取周期长；而且主观干扰性强, 劳动强度大，工作效率较低。

遥感影像的计算机分类是通过对地表及其环境在遥感影像上的信息进行属性的识别和分类，把具有相同属性的地物划分为同一类，进而识别影像信息所对应的实际地物，提取所需地物的信息[1]。

遥感影像计算机分类可以探测出像元灰度值之间的微小差异，精度高，速度快，可重复性强，尤其适合定量分析。近年来，与地理信息系统的结合，显示出其更强大的优势。计算机快速处理数据的能力与遥感海量信息的相适应，使得遥感影像的计算机分类得到了越来越广泛的应用。同时，目视解译自身的局限性，也促进了计算机分类的应用。

遥感影像的计算机分类与遥感影像的目视解译相比，目的一致，手段不同。前者是利用计算机技术来模拟人类的识别能力；后者则把解译人员的丰富的地学知识和目视解译经验介入到影像分类中去，是遥感解译的基本方法。实际工作中经常需要二者的有机结合。

传统的背景抑制条件下遥感影像计算机分类方法通常是建立在特征变量统计分析的基础上的，通过计算各类别的均值、方差、协方差、标准偏差和离散度等统计量，作为进行比较不同类别的相似程度的依据和标准，即在这些统计量的基础上建立各个组的类别识别特征来进行分类。

随着遥感技术的进一步发展和遥感影像解译和分析的深入，基于特征变量统计分析方法本身的一些不足显现了出来，如最大似然法计算强度大，且要求数据服从正态分布；最小距离法没有考虑各类别的协方差矩阵，对训练样本数目要求低等。同时，由于受到自然条件的影响以及传感器的空间分辨率和光谱分辨率的限制，错分的现象普遍存在，使得传统分类方法的精度不高。为此，人们不断研究和尝试，以寻求新方法和新技术来改善分类效果，提高分类精度。

1.3 提高分类精度的新方法和新技术

20世纪80年代以来，各种新理论和新方法相继涌现，还有一些成熟的数学工具不断的被引入到遥感影像的计算机分类中，典型的有模糊聚类分析、人工神经网络、决策树分类、支持向量机，以及这些方法的相互结合等。

赵书河等在1995年给出一种带竞争学习机制的BP模型，实现了TM影像的分类实验；李厚强应用BP网络和自适应网络相结合的方法对SPOT卫星影像进行分类，提高了精度；杜惠茜等采用一种线性搜索的共轭梯度法动态调节BP网络的学习效率，提高了训练的速率[3]。

决策树分类算法具有灵活、直观、清晰、健壮、运算效率高等特点，在遥感分类问题上表现出巨大的优势，已经开始应用于各种遥感影像信息提取和土地利用/土地覆盖分类中。张爽将决策树分类法应用到景观分类中，并讨论了样本点对分类精度的影像；温兴平等利用决策树对广州市中部七区的ETM+影像进行信息提取，通过影像的波段组合数据获得了更高的分类精度[4]。

1995年，Vapnik完整地提出了SVM分类。在理论方面，已出现多种经典SVM方法的变形：Y-SVM、最小二乘SVM、模糊SVM等。在遥感影像的应用上，张燕宁等对二值化后的可见光遥感影像采用支持向量机的方法进行分类识别，获得了比欧式距离法和神经网络分类方法更好的性能；Zhu Guobin和Dan G.Blumberg等利用基于SVM的算法对ASTER传感器获得的数据进行了分类处理，结果表明，基于SVM的方法在收敛性、训练速度、分类精度等方面具有较高的性能[5]。

SVDD遥感影像目标探测技术一直朝着更快速、更精确的方向发展，不同方法都有自己的最佳适用对象。同时，人工智能理论和技术的日益发展也为SVDD遥感影像目标探测提供了更多新方法和新思路。

1.4 本文主要研究内容

本次研究使用北京密云地区1999年7月多光谱TM影像作为主要数据源(所得影像已经过辐射校正、几何校正和一些增强处理，可以直接使用)。通过监督分类的三种传统方法和近年来研究较多的支持向量机(Support Vector Machine，简称SVM)和决策树(Decision Tree，简称DT)对密云水库地区的主要地物进行分类，分类完成后对五种分类结果进行精度评价和综合比较分析。

1.5 本文研究技术路线

（1）通过在ENVI4.4的基本操作，首先完成三种传统监督分类方法的影像输出，并通过ENVI中Transfrom模块完成NDVI图输出和通过Topographic模块完成坡度图的输出，为后面决策树分类做好准备；

（2）利用不同地物在不同波段的亮度特征，以及不同地物在高程、坡向、NDVI值上的分布规律，确定决策树分类的条件，构建决策树分类模型，通过运行，实现图形输出；

（3）学习支持向量机的基础知识，掌握各个参数的含义，通过合理设置参数，输出精度较高的影像；

（4）由于ENVI中精度评价不很完善，本文在ERDAS中进行精度分析，对五种分类方法的输出影像进行精度评价，输出相关数据，通过纵向和横向比较得出结论。

结论与展望

6.1结论

SVDD遥感影像目标探测一直是遥感应用研究的一个重要课题，而计算机分类则是应用最广的实现手段。通过计算机对遥感影像像元进行数值处理分析，达到自动识别地物的目的。近年来，随着遥感理论技术和智能识别技术的发展，遥感数字影像分类处理方法和手段越来越多。

（1）对遥感影像进行地物分类时,需要目视解译和计算机分类的有效结合,以提高分类精度。在进行监督分类时，首先需要通过目视解译划分地物类型，进而确定分类特征，选择训练样本，进行分类。

（2）在样本的确定上，由于缺乏足够的参考信息和足够多的实地调查信息，因而对研究区地物类型判断上出现偏差，进而影响分类样本。

（3）通过实践和分析，得出监督分类的三种方法中，最大似然法法的分类精度最高，马氏距离分类法次之，而最小距离法的分类精度最低。利用新方法中支持向量机的分类，精度则明显高过前三者，也充分印证了SVDD遥感影像目标探测技术的发展和精度的改进。但是决策树分类效果不很理想，和自己设置的决策规则有关，在今后的研究中要继续改进。

（4）基于向量机和决策树分类是本论文的重点，也是难点，尤其是支持向量机参数的设置和决策树模型的构建及决策规则的设置。前者需要通过调试决定支持向量机的参数范围，后者需要通过不同途径得出所需数据，从这些数据的规律中确定区分条件和分界值，直至完成图形输出。

（5）精度评价是分类完成后的重要工作，通过采用误差矩阵和Kappa系数进行比较，能够很好检验出各种分类方法中不同地物的分类效果，也能很好地进行横向的比较。

6.2展望

通过不断地学习和实践，以后在进行相关课题的研究时，应注意：

（1）本次研究，由于材料和影像自身的限制，采用的是1999年的影像，和现实情况出入较大，在一定程度上影响了分类精度。以后进行类似研究时，应尽量使用最新的影像，现时性强，波段齐全，地物明显容易分辨。在分类前最好能对实地进行考察，对研究区域有更清晰的认识。

（2）本次研究，将地物划分为了六类。以后在进行类似研究时，应尽量详细化，将能够区分的地物种类全部区分。本次分类中使用分类特征只是基于光谱特征，没有涉及纹理特征信息，使得特征选取过于单一，有待进一步研究。

（3）决策树、支持向量机分类是未来研究的重要方向，在SVDD遥感影像目标探测中会起到越来越重要的作用。本次研究中，除采用了不同波段的亮度值特征外，还采用了NDVI、高程、坡向、主成分变换为辅助条件进行分类等。但由于区分条件和分界值的设定不理想，造成分类精度较低。在今后的研究中要通过分析研究各种特征，选取更明显的分类界限，保证分类精度。

 

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