基于SVM的高分图像自动分类算法研究与系统实现

摘要

随着我国“高分辨率对地观测”重大专项的顺利实施，高分图像所获取的丰富的地理信息数据为社会发展和人类进步提供了更多服务。由于图像所含信息量很大，通过人力去手动分割图像来统计数据势必要投入昂贵的的成本与长时间的工作量，利用计算机实现对高分图像的自动分类更利于地物信息的提取和识别工作，为后续地物资源信息的应用提供便利。与传统分类算法相比，SVM（支持向量机）算法的非线性分类功能为高分图像分类提供优势，能够适应小样本的高分图像分类，分类速度快且精度较高，解决目前目视判读、手动分割图像的现状。因此，设计并实现基于SVM的高分图像自动分类系统，对高分图像自动分类快捷化、自主化具有重要意义。
　　论文主要包括算法研究和系统实现两部分内容，算法研究围绕SVM理论展开，系统实现则在VS2010环境下运用C＃语言编程实现。在算法部分，研究了SVM算法的数学原理以及多类别分类原理，尝试获取更利于高分图像分类的空间特征，设计并仿真实现了利用不同特征值进行分类时的SVM分类器模型，可视化分类结果，验证了简单彩色纹理在高分图像分类上的有效性。在系统部分，明确系统需求后，规划了分类系统的设计过程，制定了系统设计方案，包括总体设计思路、界面设计与模块划分等，重点完成了特征提取、样本训练和数据预测三个重要模块的算法设计与系统实现。最后，通过与其他传统分类算法对比，验证了SVM算法在高分图像分类上的执行性能。结果表明，将SVM算法与高分图像数据特点相结合，充分利用SVM算法在小样本情况下分类精度高、运算速度快、泛化能力强的优点，使得高分图像自动分类系统具有可扩充性、快捷化、实用化和自主化等特点，为高分图像分类技术研究和软件开发方面提供了参考价值。

目录

声明

第1章 绪 论

1.1 课题的背景与研究意义

1.2 研究现状

1.3 研究的主要内容

1.4 论文的章节安排

第2章 支持向量机高分图像分类的理论基础

2.1 统计学习理论概述

2.2 支持向量机的基本思想

2.3 分类评价指标

2.4 本章小结

第3章 支持向量机高分图像分类

3.1 分类流程

3.2 训练样本选择

3.3 特征提取

3.4 分类器设计与仿真

3.5 本章小结

第4章 高分图像分类系统设计与实现

4.1 需求分析

4.2 方案设计

4.3 功能模块设计与实现

4.4 软件操作说明

4.5 本章小结

第5章 高分图像分类系统功能评价

5.1 实验数据资料介绍

5.2 分类性能评估

5.3 系统稳定性和效率评价

5.4 本章小结

结论

参考文献

攻读硕士学位期间所发表的论文

致谢