高分辨率遥感影像多特征协同分类技术研究

"这篇论文是2014年发表在《测绘科学技术学报》上的，由林栋、秦志远等人撰写，主要探讨了高分辨率遥感影像的地物分类问题。作者提出了一种创新的多特征协同分类方法，结合了光谱、纹理和形状等多种特征，以应对高分辨率遥感影像中地物识别与分类的挑战。通过实验验证，这种方法能有效提高分类的准确性。" 在遥感领域，高空间分辨率的影像提供了丰富的地物细节信息，但同时也带来了新的问题。由于地物内部光谱差异的增大和不同地物间光谱差异的减小，传统的基于单一光谱特征的分类方法效果下降，分类难度增大。针对这一问题，论文提出的多特征协同分类方法旨在利用多种信息源增强地物的区分度。 首先，光谱特征是遥感影像分类的基础，它反映了地物对不同波段电磁辐射的响应。然而，高分辨率影像中的地物可能因为内部结构或环境因素导致光谱变异，单纯依赖光谱可能会导致误分类。 其次，纹理特征可以捕捉地物表面的结构和模式信息，对于那些光谱特性相似但纹理特征明显不同的地物（如建筑物和草地）有着重要作用。通过分析影像的局部统计特性，如共生矩阵、灰度级共生矩阵等，可以提取出丰富的纹理信息。 再者，形状特征则是通过几何属性如面积、周长、形状指数等来区分地物。对于规则或不规则形状的地物，形状信息可以帮助区分它们。 论文中，作者将这些特征进行有效的融合和协同处理，构建了一个综合的分类模型。可能采用了如支持向量机（SVM）、随机森林（Random Forest）或其他机器学习算法，通过训练和优化模型参数，实现特征间的协同作用，提升分类性能。 实验部分通常会包括数据集的选择、预处理、特征提取、模型训练和测试等步骤。论文可能会对比单一特征与多特征分类的效果，以及与其他分类方法的性能差异，以证明所提方法的有效性和优越性。 这篇论文为解决高分辨率遥感影像的复杂分类问题提供了一种新的策略，通过综合考虑光谱、纹理和形状等多种特征，提高了地物分类的准确性和可靠性，对于遥感图像分析和应用具有重要的理论和实践意义。