论文部分内容阅读
遥感影像分类可以为林业、农业资源的监测评价提供基础信息，极化合成孔径雷达（POLSAR）影像分类作为遥感影像分类的重要组成部分在国际遥感领域已受到高度重视。以往关于POLSAR影像的分类大多基于单时相影像，分类精度总体较低。为解决这一问题，本文研究了基于支持向量机（Support Vector Machine，SVM）的多时相POLSAR影像土地覆盖分类方法。本研究以大兴安岭地区十八站林场作为实验区，获取了覆盖实验区的两景Radarsat-2数据和一景SPOT-5数据，通过实地调查获取了用于验证分类结果精度的地面实况数据。针对应用SVM进行多时相极化SAR影像分类，本文首先发展了一种“基于穷举法与测试精度相结合的特征选择方法”，利用两个时相的Radarsat-2POLSAR数据进行了土地覆盖分类实验，结果表明，所发展的特征选择方法与“基于知识的特征选择方法”和不采用特征选择的分类方案相比，可获得更高的分类精度：本文发展的特征选择方法的分类精度为84.96%，基于知识的特征选择方法分类精度为80.28%，无特征选择的分类精度为65.68%。其次，本文采用相同的SVM分类方法分析评价了两个不同时相获取的Radarsat-2极化SAR影像的土地覆盖分类能力，发现10.月份影像特征的识别能力要优于7月份影像特征的识别能力，10月份的分类精度为73.53%，7月份的分类精度为57.08%。7月份与10月份季节的SAR数据结合起来进行分类，可以弥补各自识别能力的不足，提高总体的分类精度，多时相的分类精度为84.96%。最后，本文将SVM分类与最大似然法的分类效果进行了对比，结果发现，在特征概率分布不符合正态分布的情况下，两者的分类精度分别为84.96%、72.65%，即使在特征概率符合正态分布的情况下，SVM得到的精度也比最大似然法高，两者的精度分别为65.86%、63.74%。