多分類器組合及其遙感分類研究.pdf

1、基于土地利用/覆蓋信息提取的快速、自動化和高精度的現(xiàn)實需求,遙感影像計算機自動分類研究成為提高遙感應用性的一個重要方向。多分類器組合利用不同方法進行目標識別時得到的互補信息來提高分類性能,為提高遙感分類精度提供了新的途徑。因此,進行多分類器組合研究,探討其在遙感影像自動分類中的應用,具有重要的理論與實踐意義。
　　 本文對多分類器組合方法、基于分類器差異性度量的組合分類器優(yōu)化進行研究,將其應用于土地利用/覆蓋遙感分類。主要研究成

2、果如下:
　　 (1)基于多分類器組合的遙感分類方法
　　 針對投票法分類器組合中加權值的選擇問題,提出了基于先驗知識的投票法組合分類方法。首先對子分類器做分類性能測試,得到各類別的用戶精度；然后將其作為加權值,使用相對多數(shù)投票法對子分類器輸出結果進行組合決策,將具有最大投票值的類別賦予待分像元。
　　 結果表明,以最大似然法、神經(jīng)網(wǎng)絡法和支持向量機法作為子分類器進行多分類器組合遙感分類時,分類器兩兩組合分類結果

3、的總體精度較子分類器均有提高。三種分類器參與組合分類時,組合分類總體精度高于子分類器的最低精度,但不一定高于子分類器的最高精度。組合方法在不同景觀特征地區(qū)的遙感分類中具有相同的性能特征。
　　 組合分類結果受訓練樣本分布的影響取決于子分類器的穩(wěn)定性。當子分類器均受訓練樣本分布影響較小,組合結果也具有較好的穩(wěn)定性。研究中,最大似然法和支持向量機法組合分類結果優(yōu)于相應子分類器,組合結果受訓練樣本分布的影響較小。
　　 (2)

4、基于分類器差異性度量的組合分類器優(yōu)化
　　 針對分類器組合過程中的組合結構優(yōu)化問題,引入熵值法分類器差異性度量來衡量組合分類器中子分類器之間的差異性關系,分析其與組合分類結果的關系,研究其在組合分類器優(yōu)化中的可用性。
　　 結果表明,熵值法分類器差異性度量值與組合分類的優(yōu)勢度(組合分類器Kappa值與子分類器中最大Kappa值之差)存在正相關關系,對分類器的組合性能有一定的預測能力。但由于方法與組合分類結果的相關關系還不