地球信息科学学报 ›› 2013, Vol. 15 ›› Issue (2): 249-254.doi: 10.3724/SP.J.1047.2013.00249
许菡, 孙永华, 李小娟
收稿日期:
2012-11-08
修回日期:
2013-02-18
出版日期:
2013-04-25
发布日期:
2013-04-18
通讯作者:
李小娟(1965-),女,博士,教授,博士生导师,主要从事资源环境遥感动态监测、土地利用数据建库与更新、资源环境信息系统等基础与应用研究。E-mail:xiaojuanli@263.net
E-mail:xiaojuanli@263.net
作者简介:
许菡(1979-),女,博士研究生,主要研究方向为遥感图像处理。E-mail:xuhan2009@gmail.com
基金资助:
国家“973”计划前期研究专项课题“城市典型区域不均匀沉降信息获取与机理研究”(2012CB723403)。
XU Han, SUN Yonghua, LI Xiaojuan
Received:
2012-11-08
Revised:
2013-02-18
Online:
2013-04-25
Published:
2013-04-18
摘要: 混合像元是遥感影像中普遍存在的现象, 对此, 本文提出基于加权后验概率的支持向量机进行影像混合像元分解。该分类算法可判定端元种类的同时得到每种地物的后验概率, 从而进行非线性模型的混合像元分解。由于加权后验概率的支持向量机分类算法能够减少分类器受土地覆盖类型模糊样本点的干扰, 因此, 改善了非线性混合像元分解模型的精度。首先, 由样本点计算得到核函数参数值, 然后, 计算影像中每一种土地覆盖类型的后验概率, 将其作为各个两类支持向量机分类器的权系数并求得多类后验概率值, 确定影像每一种土地覆盖类型并得到丰度值。本文采用TM 多波段遥感影像验证该方法的可行性, 实验区位于我国东北部的大兴安岭中北段地区, 土地覆盖类型包含农田、居民地、水体、荒地等。将本文提出的混合像元分解方法结果与标准支持向量机模型分解的结果对比表明, 以加权后验概率的支持向量机遥感影像混合像元分解方法精度优于标准支持向量机模型。
许菡, 孙永华, 李小娟. 遥感影像混合像元的分解——基于加权后验概率的支持向量机分类算法[J]. 地球信息科学学报, 2013, 15(2): 249-254.DOI:10.3724/SP.J.1047.2013.00249
HU Han, SUN Yong-Hua, LI Xiao-Juan. Unmixing of Remote Sensing Images Based onWeighted Posterior Probability Support Vector Machines[J]. , 2013, 15(2): 249-254.DOI:10.3724/SP.J.1047.2013.00249
[1] 陈述彭,童庆禧,郭华东.遥感信息机理研究[M].北京:科学出版社,1998, 364-385.[2] 张彦,邵美珍.基于径向基函数神经网络的混合像元分解[J].遥感学报,2002,4(4):285-289.[3] Liu W G, Wu E Y, Gopal S, et al.. ARTMMAP: A neuralnetwork approach to subpixel classification[J]. IEEE Transactionson Geoscience and Remote Sensing, 2004, 42(9):1976-1983.[4] Chang C I, Chiang S S, Smith J A. Linear spectral randommixture analysis for hyperspectral imagery[J]. IEEE Transactionson Geosciences and Remote Sensing, 2002,40(2):375-392.[5] Huang C, Townshend J. A stepwise regression tree for nonlinearapproximation: Applications to estimating subpixelland cover[J]. International Journal of Remote Sensing,2003,24 (1):75-90.[6] 唐世浩,朱启疆,闫广建,等.遗传算法及其在遥感线性、非线性模型反演中的应用效果分析[J].北京师范大学学报(自然科学版),2002,38(2):266-272.[7] Vapnik V. The nature of statistical learning theory [M].New York: Springer Verlag, 1995.[8] Foody G M, Mathur A. A relative evaluation of multiclassimage classification by support vector machines[J]. IEEETransactions on Geoscience and Remote Sensing, 2004, 42(6): 1335-1343.[9] 骆剑承,周成虎,梁怡.支持向量机及其遥感影像空间特征提取和分类的应用研究[J].遥感学报,2002,6(1):50-55.[10] 张锦水,何春阳,潘耀忠,等.基于SVM的多源信息复合的高空间分辨率遥感数据分类研究[J].遥感学报,2006,10(1):49-56.[11] Weston J, Watkins C. Support vector machines formulti-class pattern recognition[C]. // Proc. of Seventh EuropeanSymposium on Artificial Neural Networks. Bruges:D-Facto Press,1999,219-224.[12] Li Z Y, Tang S W. Face recognition using improved pairwisecoupling support vector machines[C]. // Proc. of theNinth International Conference on Neural InformationProcessing. Cambridge: MIT Press, 2002,876-880.[13] Melgani F, Bruzzone L. Classification of hyperspectral remotesensing images with support vector machines[J].IEEE Transactions on Geoscience and Remote Sensing,2004,42(8):1778-1790.[14] Foody G M. Relating the land cover composition ofmixed pixels of artificial neural network classificationoutput[J]. Photogrammtry Engineering and Remote Sensing,1996, 62(5):491-499.[15] Eric D. On the use of prior and posterior information inthe subpixel proportion problem[J]. IEEE Transactions onGeoscience and Remote Sensing, 2003,41(11):2687-2691.[16] Valls G C, Chova L G, Maravilla J C, et al. Robust supportvector method for hyperspectral data classificationand knowledge discovery[J]. IEEE Transactions on Geoscienceand Remote Sensing, 2004,42 (7):1530-1542.[17] Tao Q, Wu G, Wang F, et al.. Posterior probability supportvector machines for unbalanced data[J]. IEEE Transon Neural Networks, 2005,16(6):1561-1573.[18] 李晶皎译.模式识别(第3 版)[M].北京:电子工业出版社,2006.[19] Fumitake Takahashi, Shigeo Abe. Decision-tree-basedmulti-class support vector machines[C]. Proceedings ofthe 9th International Conference on Neural Information,Singapore, 2002:1418-1422.[20] Wu T F, Lin C J, Weng R C. Probability est imates formulti-class classification by pairwise coupling [J]. Journalof Machine Learning Research, 2004,5(2):975-1005.[21] 李慧,王云鹏,李岩,等.基于SVM和PWC的遥感影像混合像元分解[J].测绘学报,2009,38(4):318-323.[22] 张翔,肖小玲.支持向量机方法中加权后验概率建模方法[J].清华大学学报:信息科学版,2007,47(10):34-40.[23] 许菡,李小娟. Normalized Cut 与分水岭变换在高光谱影像混合像元端元提取中的应用[J].中国图象图形学报,2012,17(7):880-885.[24] Platt J C. Probabilistic outputs for support vector machinesand comparisons to regularized likelihood methods[M]. In: Advances in Large Margin Classifies. Cambridge,MA:MIT Press.1999:70-83.[25] 吴波,张良培,李平湘.基于支撑向量机概率输出的高光谱影像混合像元分解[J].武汉大学学报:信息科学版,2006,31(1):52-54. |
[1] | 陶宇, 王春, 徐燕, 张光祖, 宋素素, 杨维. DEM建模视角下的城市道路分类与表达[J]. 地球信息科学学报, 2020, 22(8): 1589-1596. |
[2] | 李玉, 李奕燃, 王光辉, 石雪. 基于加权指数函数模型的高光谱图像分类方法[J]. 地球信息科学学报, 2020, 22(8): 1642-1653. |
[3] | 赵青松, 兰安军, 范泽孟, 杨青. 贵州省不同地貌形态类型土壤侵蚀强度变化的定量分析[J]. 地球信息科学学报, 2020, 22(7): 1555-1566. |
[4] | 曹元晖, 刘纪平, 王勇, 王良杰, 吴文周, 苏奋振. 基于POI数据的城市建筑功能分类方法研究[J]. 地球信息科学学报, 2020, 22(6): 1339-1348. |
[5] | 杨雅萍, 姜侯, 孙九林. 科学数据共享实践:以国家地球系统科学数据中心为例[J]. 地球信息科学学报, 2020, 22(6): 1358-1369. |
[6] | 王英杰, 张桐艳, 李鹏, 虞虎. GIS在中国旅游资源研究与应用中的现状及趋势[J]. 地球信息科学学报, 2020, 22(4): 751-759. |
[7] | 董金玮, 吴文斌, 黄健熙, 尤南山, 何盈利, 闫慧敏. 农业土地利用遥感信息提取的研究进展与展望[J]. 地球信息科学学报, 2020, 22(4): 772-783. |
[8] | 赵斌, 韩晶晶, 史覃覃, 吉根林, 刘信陶, 俞肇元. 语义轨迹建模与挖掘研究进展[J]. 地球信息科学学报, 2020, 22(4): 842-856. |
[9] | 曹泽涛, 方子东, 姚瑾, 熊礼阳. 基于随机森林的黄土地貌分类研究[J]. 地球信息科学学报, 2020, 22(3): 452-463. |
[10] | 单渌铱, 王海军, 张彬, 潘鹏. 顾及土地生态安全的环鄱阳湖城市群土地利用情景模拟[J]. 地球信息科学学报, 2020, 22(3): 543-556. |
[11] | 刘稳, 詹庆明, 刘权毅, 司瑶, 黄启雷, 樊智宇. 地理国情监测成果与规划用地数据的关联转换方法[J]. 地球信息科学学报, 2020, 22(2): 161-174. |
[12] | 李鹏鹏, 李永强, 蔡来良, 董亚涵, 范辉龙. 车载LiDAR点云中道路绿化带提取与动态分析[J]. 地球信息科学学报, 2020, 22(2): 268-278. |
[13] | 曹子阳, 吴志峰, 米素娟, 阳柯. DMSP/OLS稳定夜间灯光影像在中国的分类校正方法[J]. 地球信息科学学报, 2020, 22(2): 246-257. |
[14] | 张志慧, 刘雯, 李笑含, 朱靖轩, 张洪涛, 杨东, 徐超昊, 徐宪立. 基于无人机航摄影像的喀斯特地区裸岩信息提取及景观格局分析[J]. 地球信息科学学报, 2020, 22(12): 2436-2444. |
[15] | 杨丹, 周亚男, 杨先增, 郜丽静, 冯莉. LSTM支持下时序Sentinel-1A数据的太白山区植被制图[J]. 地球信息科学学报, 2020, 22(12): 2445-2455. |
|