多光谱图像分割技术在防沙治沙关键技术中的研究与应用

摘要

TM多波段遥感图像的地物及其分类一直是遥感图像处理领域比较难解的问题。由于地物种类繁多，且各种不同的地物随着时间的推移和空间分布的不断变化，成像光谱作为多波段的地物反射数据也不断地变化。另外，成像光谱数据自身还存在同质异谱、异质同谱等复杂现象；在图像数据的采集过程中还会受到多种因素的干扰。这些不利因素使一些传统的分类方法存在计算量过大、分类精度低、推广能力差等缺点。
　　 而沙漠地形多光谱图像除了具有一般多光谱图像所具有的特点之外还具有明显的纹理特征。因此本论文在分析了目标特性及图像分类的一般方法，沙漠地形遥感图像的数据特征的基础上，提出了支持向量机和纹理特征相结合的方法，有效的克服了一般图像分割方法的缺陷。
　　 通过与其他多光普图像分割方法的实验比较，发现SVM方法能够取得更好地分割效果。传统的方法如贝叶斯方法和神经网络方法都是基于经验风险最小化理论的。支持向量机是基于结构风险最小化理论的。它主要应用在缺少样本的环境当中，并且能够处理很多领域中的问题，如模型选择问题，线性规划问题，还有求取局部最小点的问题。考虑到沙漠地形多光谱图像具有明显的纹理特征的特点，将纹理特征与SVM相结合，实验的结果表明这种方法具有更高的分类精度。

目录

文摘

英文文摘

声明

第一章 绪论

1.1 引言

1.2 国内外研究现状及问题

1.2.1 国内外研究现状

1.2.2 目前国内外研究所存在的问题

1.3 本论文研究的内容

1.3.1 研究内容

1.3.2 课题的研究特色与创新之处

第二章 遥感图像分类的基本概念

2.1 引言

2.2 遥感图像特征与图像分类

2.2.1 遥感图像的数据特征

2.2.2 自然地物的目标特性

2.3 多光谱图像的处理

第三章 统计学习理论与支持向量机

3.1 统计学习理论

3.1.1 经验风险最小化

3.1.2 学习过程一致性的条件

3.1.3 VC维

3.1.4 推广性的界

3.1.5 结构风险最小化

3.2 支持向量机

第四章 传统分类方法的介绍

4.1 遥感影像分类原理

4.1.1 遥感数据的不同理解方式

4.1.2 遥感影像分类原理

4.2 传统影像分类方法

4.3 遥感影像分类流程

第五章 纹理特征

第六章 分类实验及结论

6.1 算法描述

6.2 沙漠地形分类对比实验

6.3 SVM的参数选择实验

6.4 分类实验

第七章 总结与展望

7.1 实验总结

7.2 分析与展望

参考文献

发表论文和科研情况说明

致 谢