基于SVM邻近同化滤波模型的冰冻湖泊水体精确提取研究

摘要

本文依托于国家科技基础性工作专项重点项目“中国湖泊水质、水量和生物资源调查”（2006FY110600）子课题“中国湖泊卫星遥感调查”，采用小样本学习、抗噪声性能好、学习效率高的支持向量机（SVM，Support Vector Machine）方法来提取多光谱遥感影像冰冻湖泊水体。支持向量机最大特点是根据结构风险最小化原则，尽量提高学习机的泛化能力，即由有限的训练集样本得到小的误差能够保证对独立的测试集仍保持小的误差，SVM在遥感信息提取方面，特别是在缺少先验知识的情况下，具有较高的推广能力。 本文分析了冰冻湖泊水体的光谱特征，说明了传统遥感影像分类方法不能达到较高精度的原因，在此基础上利用MATLAB支持向量机工具箱建立了SVM提取模型，并选择了东北地区的查干湖和长白山天池CBERS多光谱遥感影像进行了提取试验。试验表明，两湖提取精度支持向量机较最大似然法提高了3.93％。但仅应用SVM方法提取冰冻湖泊水体，提取结果小图斑多、分类不完整，因此本文在原来模型的基础上加入了邻近同化滤波方法，有效剔除了小图斑。 综合SVM邻近同化滤波模型提取冰冻湖泊水体的研究过程，本文得出的结论如下： （1）查干湖湖面整体冰冻；据实地考察和相关文献，长白山天池西部由于湖底受温泉影响，湖水冬季不封冻，从影像上看天池西部呈深蓝色的部分就是未冰冻的湖泊水体。应用SVM邻近同化滤波提取模型，不仅实现了对全部冰冻湖泊水体的精确提取，对冰水混合的湖泊水体也同样适用，所以本文的提取模型对冰冻情况复杂的湖泊水体精确提取有着广阔的应用前景。 （2）与长白山天池相比，查干湖结冰湖面破碎度较高，由于处在破碎部分的像元光谱复杂，最大似然法难以达到较高的提取精度。在同样训练区样本下，与最大似然法相比，SVM提取精度提高了5.36％，由此可以看出SVM具有较强的小样本学习能力，提取精度高。 （3）为剔除湖边浅水沼泽和冰冻期湖面雪等干扰地物的影响，本文提出邻近同化滤波方法，这也是本文的创新之处。经邻近同化滤波模型处理后，提取结果小图斑较少，类别完整。 本文在如下两方面还需要进一步研究： （1）长白山天池处在山区，从图4.17可以看出，其南部的山体阴影影响并未有效去除掉，因此提取山区型冰冻湖泊水体时，如何有效剔除山体阴影的影响有待于进一步研究。 （2）选择邻近同化滤波模板的大小时需要根据实际情况人为设定，模板选择太大会导致分类失真，选择太小又不能有效除去干扰地物，因此如何选择合适的同化滤波模板有待于进一步研究。

目录

文摘

英文文摘

声明

1绪论

1.1选题背景和意义

1.2国内外研究进展

1.3研究内容与技术路线

1.4章节结构

2传统遥感影像分类方法介绍

2.1传统遥感影像分类过程

2.1.1分类概述

2.1.2分类基本原理

2.1.3分类的一般步骤

2.1.4分类特征选取

2.2传统遥感影像分类方法的比较与选取

2.3冰冻湖泊水体光谱特征分析

3基于SVM邻近同化滤波模型的构建

3.1机器学习问题的基本问题和方法

3.1.1机器学习问题的表示

3.1.2经验风险最小化

3.1.3复杂性与推广能力

3.2 SVM理论基础

3.2.1 VC维

3.2.2推广性的界

3.2.3结构风险最小化

3.3 SVM理论

3.3.1最优分类面

3.3.2广义最优分类面

3.3.3规范化超平面集的子集结构

3.3.4线性可分情形

3.3.5线性不可分情形

3.4 SVM邻近同化滤波模型的建立

3.4.1 SVM邻近同化滤波模型

3.4.2模型实现环境——MATLAB简介

3.4.3模型实现代码

4提取实验与对比分析

4.1研究区概况与数据源

4.1.1研究区概况

4.1.2数据源

4.2 SVM邻近同化滤波模型提取冰冻湖泊水体

4.2.1数据准备

4.2.2提取实验

4.3最大似然法提取冰冻湖泊水体

4.4精度评价与对比分析

5结论

致 谢

参考文献

附 录