[发明专利]一种基于遥感图像的SVM有监督模型湖冰分类识别方法

说明书

本发明公开了一种基于遥感图像的SVM有监督模型湖冰分类识别方法，先从数据库获取年度冬季冰期的遥感图像，并对获取的遥感图像进行几何校正、图像配准和图像融合得到初步遥感图像；构建SVM有监督模型；对步骤(2)中构建得到的神经网络模型进行训练，并对训练后的神经网络模型进行测试判断是否满足精度要求，如果满足则进入步骤(4)，如果不满足则返回重新构建神经网络模型；将得到的最终处理后的遥感图像加入构建好的SVM有监督模型中，并对遥感图像中的湖冰进行分类。本发明得到的分类精度更高。

技术领域

本发明属于SVM模型分类应用技术领域，特别涉及一种基于遥感图像的SVM有监督模型湖冰分类识别方法。

背景技术

遥感图像湖冰分类识别的常用技术是基于传统统计分析学的，具体算法包括平行六面体、最小距离、马氏距离、最大似然。平行六面体有“角”容易导致错误分类；最小距离算法的分类正确与否在很大程度上取决于范本的平均值；马氏距离中协方差矩阵如果使用较大的值容易造成过渡分类并且每一次输入波段的数值要求必须是服从正态分布；最大似然分类时波段数稍有增加时，计算量以及计算时间都会大大增加，导致了效率的降低并且整个过程对是否服从正态分布要求较高。这些传统分类技术中，由于自身算法的缺陷，分类结果往往不够精确。

SVM可以自动寻找那些对分类有较大区分能力的支持向量，由此构造出分类器，可以将类与类之间的间隔最大化，因而有较好的推广性和较高的分类准确率。在遥感图像湖冰分类识别过程中，可以通过选择不同的核函数，生成不同的SVM模型，本发明选择二层神经网络核函数k(x,y)＝tanh(a(xy)+b)建立基于SVM的遥感图像湖冰分类识别方法。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于SVM有监督模型的技术运用到遥感图像湖冰分类领域以解决现有技术中分类精确度不高等的问题的基于遥感图像的SVM有监督模型湖冰分类识别方法。

技术方案：为实现上述目的，本发明提供一种基于遥感图像的SVM有监督模型湖冰分类识别方法，包括如下步骤：

(1)从数据库获取年度冬季冰期的遥感图像，并对获取的遥感图像进行几何校正、图像配准和图像融合得到预处理后的遥感图像；

(2)构建SVM有监督模型；

(3)对步骤(2)中构建得到的SVM有监督模型进行训练，并对训练后的SVM有监督模型进行测试判断是否满足精度要求，如果满足则进入步骤(4)，如果不满足则返回步骤(2)；

(4)将步骤(1)中得到的最终处理后的遥感图像加入构建好的SVM有监督模型中，并对遥感图像中的湖冰进行分类。

进一步的，所述步骤(2)中构建的SVM有监督模型的核函数类型为二层神经网络核函数k(x,y)＝tanh(a(xy)+b)。

进一步的，所述步骤(3)中测试判断的精度要求为96％。

进一步的，所述步骤(4)中对遥感图像中的湖冰进行分类时，首先分为三类：湖冰、水域、其他。

进一步的，所述步骤(4)中对构建得到的神经网络模型进行训练的具体步骤为：先将步骤(1)中最终处理后的遥感图像中的每一幅图像进行分类，分为三类：湖冰、水域、其他，选择10000个像素点作为模型的训练样本，并将步骤(2)中得到的所有最终处理后的遥感图像和选择的训练样本均带入神经网络模型中进行训练。

有益效果：本发明与现有技术相比具有以下优点：