1 东华理工大学放射性地质与勘探技术国防重点学科实验室, 江西 南昌 330013
2 东华理工大学测绘工程学院, 江西 南昌 330013
遥感图像分类是图像分析的重要步骤,其中分类后精度评定是判定图像分类效果的主要依据。目前,面向对象分类的精度评定常采用随机验证点作为评定参数,这样容易造成评定的分类结果精度不高。提出基于规则验证点的面向对象的分类精度评价方法,在使用支持向量机、CART(classification and regression tree)决策树和K最近邻进行分类的基础上,分别采用基于规则验证点和随机验证点的方法对分类结果进行精度评定。实验结果表明,所提出的方法比传统的基于随机验证点的方法得到的分类精度更高。三种分类方法在规则验证点下的最优总体分类精度分别达到了87.92%、91.94%和94.63%,均优于基于随机验证点的方法的精度评定结果。
测量 遥感图像 面向对象分类 规则验证点 精度评定 K最近邻 激光与光电子学进展
2020, 57(24): 241102
传统的分类方法仅仅基于像素光谱特征,不适合于高分辨率遥感影像。本文提出了一种新的基于商空间理论,面向对象的高分辨率遥感影像分类方法,即综合云模型、模糊支持向量机和决策树的分层合成分类技术。针对决定分类效果的两个因素,影像分割和分类算法,分别做出了一些改进。第一,本文提出了一个自适应的基于云模型的区域增长分割策略。第二,本文提出了一个新的基于商空间理论,结合模糊支持向量机和决策树的分层合成分类技术。从实验结果来看,本文提出的方法,在分割效果上基本能满足人眼的视觉要求,在分类精度上比传统的分类方法有更高的准确性,而且能实现分类过程的自动化。
商空间 面向对象分类 自适应区域增长 云模型 模糊支持向量机 quotient space object-oriented classification adaptive region growing cloud model fuzzy support vector machine