遥感土地覆盖分类：最大似然与支持向量机方法对比

"这篇论文是2010年由陈绍杰等人发表在《辽宁工程技术大学学报（自然科学版）》上的，主要探讨了土地覆盖遥感分类的不同方法，包括最大似然分类器、最小距离分类器、支持向量机分类器和面向对象分类方法，并通过实验比较了它们的分类精度。研究发现，最大似然分类器和支持向量机分类器表现优秀，同时结合多种特征可提升分类准确性。" 在遥感技术领域，土地覆盖分类是极其关键的一环，它对于环境监测、资源管理及城市规划等有着重要作用。本文选取LandsatTM遥感影像作为数据源，这种卫星传感器提供了多光谱信息，有利于对地表覆盖类型进行细致划分。 首先，文章介绍了传统的分类方法，如最大似然分类器，该方法基于贝叶斯定理，通过计算每个类别的先验概率和样本特征在各个类别中的后验概率来实现分类。最大似然分类器在处理多光谱数据时表现出较高的分类精度，但对噪声敏感，且需要大量训练样本。 其次，最小距离分类器则是依据样本特征之间的欧氏距离来决定分类归属。这种方法简单易行，但可能因为特征空间的非线性分布导致分类效果不佳。 支持向量机（SVM）分类器是一种新兴的机器学习方法，尤其适用于小样本和非线性问题。SVM通过构造最优超平面来分离不同类别的样本，能够有效地处理高维空间的数据，因此在土地覆盖分类中展现出良好的性能。 此外，论文还提到了面向对象分类方法，这是一种基于图像对象而非单个像素的分类策略，它考虑了像素间的空间、形状和纹理关系，更符合人类视觉系统，能更好地处理复杂地表覆盖的识别问题。 实验结果显示，最大似然分类器和支持向量机分类器在LandsatTM影像的土地覆盖分类上都有较好的效果。而通过结合多种特征，如光谱、纹理、形状等，可以进一步提高分类精度，这表明综合使用多种信息有助于增强分类的稳定性和准确性。 这篇论文为土地覆盖遥感分类提供了深入的理论分析和实证比较，对选择合适的分类方法以及优化分类策略具有指导意义。对于科研人员和实际应用者来说，理解并合理运用这些分类方法能有效提升遥感数据分析的质量和效率。