论文部分内容阅读
对遥感数据进行分类是遥感技术领域中的研究重点,其理论依据是不同类别地物的光谱信息存在差异。随着传感器技术的发展,高光谱传感器为人们提供了关于地物更细致的光谱信息,但是由于空间分辨率有限,普遍存在混合像元问题。混合像元的光谱信息不代表任何一种单一的地物类型,传统分类算法忽略了这一点,简单地将它和纯净像元的光谱进行比较,难以实现正确分类。本文从特征提取和分类器设计两方面对遥感数据分类进行了深入研究。 为了解决混合像元问题,本文根据混合像元分解中的线性光谱混合模型,并结合各类地物的空间分布相互独立的假设,利用独立成分分析对原始的高光谱遥感数据进行特征提取。与传统的主成分分析特征提取算法相比,独立成分分析特征提取算法不仅进一步降低了特征的数目,而且分类精度也有显著提高。 为了提高分类精度,采用神经网络对由独立成分分析提取出的光谱特征进行分类,分别将BP神经网络和径向基神经网络应用于高光谱数据分类问题。与bayes分类器相比,两种神经网络的分类精度有很大提高,对220波段AVIRIS高光谱遥感数据的分类精度都达到82%以上。 最后,研究了实现多类地物分类问题的四种方法。根据对220波段高光谱遥感数据的实验结果,与直接使用BP神经网络进行分类相比,将N类分类问题看作N个二类分类问题的方法和分级分类的方法设计的BP神经网络分类器不仅缩短了训练时间,而且分类器的推广性有较大提高,两者对测试样本的分类精度都接近90%。