SAR图像水体与居民地信息提取:基于支持向量机的方法
需积分: 50 78 浏览量
更新于2024-09-10
收藏 407KB PDF 举报
"该研究探讨了如何从单波段单极化SAR图像中提取水体和居民地信息,主要涉及SAR图像处理、纹理分析、支持向量机(SVM)分类以及信息融合技术。研究人员使用Radarsat-1 SAR图像作为研究对象,通过半变异函数分析确定最佳纹理信息提取参数,然后利用灰度共生矩阵计算图像的均值、角二阶矩和熵,构建多维特征空间,以增强水体和居民地的识别能力。最终,他们运用支持向量机进行分类,并结合NDVI数据和分类结果进行目标层融合,以减少山体等地理因素的干扰,实现了较高的分类精度和Kappa系数。"
在SAR图像处理领域,单波段单极化图像由于其独特的优势,如穿透力强、受天气影响小,常被用于遥感监测。然而,由于其信号复杂性,提取特定地物如水体和居民地的信息是一项挑战。本研究提出的方法首先对SAR图像进行纹理分析,使用半变异函数来分析图像的结构特性,这是一种常用的地质统计学工具,可以揭示图像的空间变异性,从而找到最能区分水体和居民地的纹理参数。
接着,基于灰度共生矩阵,计算了三种纹理测度:均值、角二阶矩和熵。这些纹理测度有助于捕捉图像中的局部特征和复杂性,形成一个多维特征空间,这在图像分类中是非常重要的,因为它可以提供更丰富的信息来区分不同的地物类别。
支持向量机(SVM)是一种有效的监督学习模型,适用于分类任务,尤其在小样本情况下表现良好。本研究利用SVM作为分类器,通过采集样本进行训练,将上述提取的纹理特征与SVM结合,对水体和居民地进行精准分类。
为了进一步提高分类的准确性,研究者采用了近期归一化植被指数(NDVI)数据进行目标层融合。NDVI是评估植被覆盖情况的指标,通过与SVM分类结果融合,可以消除山体和其他地形因素带来的影响,确保分类结果更加精确。
实验结果显示,该方法的分类总体精度达到82.57%,Kappa系数为0.58,表明这种方法在水体和居民地信息提取方面有较高的准确性,对于SAR图像的解析和地物识别具有实用价值。该研究对于遥感图像处理、环境监测、城市规划等领域具有重要的参考意义。
2014-06-30 上传
2020-03-20 上传
2021-05-20 上传
2014-03-31 上传
398 浏览量
593 浏览量
2019-06-04 上传
点击了解资源详情
点击了解资源详情
guiguifight
- 粉丝: 0
- 资源: 2
最新资源
- 构建基于Django和Stripe的SaaS应用教程
- Symfony2框架打造的RESTful问答系统icare-server
- 蓝桥杯Python试题解析与答案题库
- Go语言实现NWA到WAV文件格式转换工具
- 基于Django的医患管理系统应用
- Jenkins工作流插件开发指南:支持Workflow Python模块
- Java红酒网站项目源码解析与系统开源介绍
- Underworld Exporter资产定义文件详解
- Java版Crash Bandicoot资源库:逆向工程与源码分享
- Spring Boot Starter 自动IP计数功能实现指南
- 我的世界牛顿物理学模组深入解析
- STM32单片机工程创建详解与模板应用
- GDG堪萨斯城代码实验室:离子与火力基地示例应用
- Android Capstone项目:实现Potlatch服务器与OAuth2.0认证
- Cbit类:简化计算封装与异步任务处理
- Java8兼容的FullContact API Java客户端库介绍