基于DEM生成等高线的方法(5)

关于地理信息系统的一些阐述,及DEM数据格式的读取及展现

２００９年８月

地理空间信息

ＧＥＯＳＰＡＴＩＡＬ

ＩＮＦＯＲＭＡＴＩＯＮ

第７卷第４期

Ａｕｇ．，２００９Ｖ０１．７．Ｎｏ．４

基于光谱相关性的ＳＶＭ高光谱遥感影像分类

沈照庆１，王建宾２，陶建斌１

（１武汉大学遥感信息工程学院，湖北武汉４３００７９；

２．山东科技职业学院。山东潍坊２６１０５３）

摘要：根据高光谱遥感影像数据特点，首先利用光谱相关性进行特征选择，然后引进ＳＶＭ进行高光谱遥感影像分析解译，最后利用ＡＶＩＲＩＳ影像进行试验，结果显示分类精度和时间比常规方法都有很大改善。

关键词：ＳＶＭ；高光谱；光谱相关；遥感影像中图分类号：Ｐ２３７

文献标志码：Ｂ

文章编号：１６７２－４６２３（２００９）０４－００８８—０４

ＣｌａｓｓｉｆｉｃａｔｉｏｎｏｆＨｙｐｅｒｓｐｅｃｔｒａｌＲＳＩｍａｇｅＢａｓｅｄ

ｏｎ

ＳＶＭ

ＳＨＥＮ

ａｎｄＳｐｅｃｔｒａｌＲｅｌｅｖａｎｃｅ

Ｊｉａｎｂｉｎｌ

Ｚｈａｏｑｉｎ９１，ＷＡＮＧＪｉａｎｂｉｎ２，ＴＡＯ

（１．ＳｃｈｏｏｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙ，Ｗｕｈａｎ４３００７９，Ｃｈｉｎａ；

２．ＳｈａｎｄｏｎｇＶｏｃａｔｉｏｎａｌＣｏｌｌｅｇｅｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｗｅｉｆａｎｇ２６１０５３，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ｉｎｔｈｉｓｐａｐｅｒ，ａｃｃｏｒｄｉｎｇｔｏｈｙｐｅｒｓｐｅｃｔｒａｌＲＳｉｍａｇｅｄａｔａｃｈａｒａｃｔｅｒｉｓｔｉｃｓ，ｉｔｉｓｃａｒｒｉｅｄ

ｏｎ

ｔｏｓｅｌｅｃｔｆｅａｔｕｒｅ

ｂｙｓｐｅｃｔｒａｌｒｅｌｅｖａｎｃｅ，ａｎｄｔｈｅｎｔｈｅＳＶＭｉｓｕｓｅｄｆｏｒａｎａｌｙｓｉｓａｎｄｉｎｔｅｒｐｒｅｔａｔｉｏｎｏｆｈｙｐｅｒｓｐｅｃｔｒａｌＲＳｉｍａｇｅ，ｆｉｎａｌｌｙ，

ｔｅｓｔ

ｉｓｄｏｎｅ

ｏｎ

ｔｈｅＡＶＩＲＩＳｉｍａｇｅａｎｄｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｉｓｂｅｔｔｅｒｔｈａｎｃｏｎｖｅｎｔｉｏｎａｌ

ｍｅｔｈｏｄｓ．

Ｋｅｙｗｏｒｄｓ：ＳＶＭ；ｈｙｐｅｒｓｐｅｃｔｒａｌ；ｓｐｅｃｔｒａｌｒｅｌｅｖａｎｃｅ；ＲＳｉｍａｇｅ

从分类的角度来说，ＳＶＭ是一种广义的线性分类器，它是在线性分类器的基础上，引入结构风险最小化原则、最优化理论和核函数演化而成的。对线形和非线性可分数据集，ＳＶＭ的分类效果较好。对于线性

非线性特征进行线性分析成为可能；它基于结构风险最小化理论之上在特征空间中建构最优分割超平面，使得学习器得到全局最优化。

１

不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的

收稿日期：２００９．０２．０５

１．１

ＳＶＭ机器学习原理

基本原理

ＳＶＭ的理论基础是基于结构风险最小化的统计学

项目来源：国家９７３计划资助项目（２００６ＣＢ７０１３０３）。

、，已、，已、，巴、，ｃ—ｊ巳—，ｃ—，巳—冀．一Ｊ巳—，ｃ＾，己、，已—Ｋ—，巳—，ｃ—Ｊ巳、，已、必—ｊ巳—×Ｌ见ｊ乞＾，已—Ｘ—见乩Ｊ巳．ｊ巴—Ｘ—ｊ巳—＇已∞Ｊ屯＾绺．，已一．，已、，已、，已ｊ己，ｊ己．’，已、，已～，ｅ—、，已ｊｏ舅．一，ｏ咒短线，再连接成完整的等高线。

４）对悬崖处，如有等高线会形成一排紧密并列的线，而不重合。

５）本算法认为等高线，必然出现在地势变化处，以确定等高线线段；同一等高线高程相同且各短线首尾相连，以连接等高线线段．

本算法中，当ＤＥＭ数据精度相对所需生成等高线精度不足时，且地形情况复杂时，运算结果可能会出错，须增加数据点提高数据精度。

搜索“diyifanwen.net”或“第一范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，第一范文网，提供最新教学研究基于DEM生成等高线的方法(5)全文阅读和word下载服务。