地理本體驅動的多源遙感影像SVM分類及變化檢測研究.pdf

1、近幾年來，在遙感技術、無人機技術等技術的快速發(fā)展下，多源高分辨率的航空/衛(wèi)星影像獲取變得越來越容易，且數(shù)據(jù)體量也越來越大。在遙感大數(shù)據(jù)時代，作為遙感領域非常重要的研究課題一遙感影像分類及變化檢測一直是很多研究者關注的熱點。遙感影像分類及變化檢測在很多領域有著非常實用的價值，比如地理國情監(jiān)以及國土、規(guī)劃和環(huán)保等相關行業(yè)監(jiān)測數(shù)據(jù)庫的更新等都需要應用遙感影像分類和變化檢測技術。但是，目前在相關領域的應用主要還是以人工目視解譯為主。雖然面向對象

2、影像分析技術已經成為遙感影像信息提取的一個新的范式，但在面向對象影像分類及變化檢測過程中始終缺乏對地表覆蓋要素的概念化、形式化的描述，對地理要素缺乏客觀、本質的認識;對分類知識也沒有進行統(tǒng)一的完全的形式化的描述，且沒有實現(xiàn)相關行業(yè)分類及變化檢測知識的共享。因此，如何很好的組織遙感影像分類中的高級類別信息和底層特征信息成為當前遙感領域一個重要研究課題。
　　本文以多源遙感影像作為數(shù)據(jù)源，對遙感影像分類及變化檢測進行了相關研究，在遙感

3、影像分類中引入地理本體理論，借助本體可以實現(xiàn)共享概念模型明確的形式化的描述。首先，基于大數(shù)據(jù)分析技術對影像對象特征進行了信息挖掘分析，并利用本體構建地物特征信息圖譜。隨后，采用本體建模軟件，建立了遙感影像地表信息的概念化、形式化的表達方法，以便有效地組織和形式化影像對象分類特征以及分類規(guī)則信息，實現(xiàn)高層分類語義信息與底層特征信息的聯(lián)系，消除二者存在的語義鴻溝。最后，將地理本體分類本體知識與機器學習算法結合起來對分類方法進行了改進。并利用

4、研究區(qū)遙感影像進行了分類及變化檢測實驗，下面是本論文取得幾個重要研究成果及創(chuàng)新點的概述:
　　(1)基于隨機森林的影像對象特征分析，利用隨機森林具有特征選擇的能力，對影像對象的光譜、紋理、幾何特征等進行綜合分析，借助大數(shù)據(jù)分析預測軟件SPM(SalfordPredictive Modeler)計算影像對象特征的重要程度得分、整個森林的平衡誤差、袋外數(shù)據(jù)誤差等參數(shù)，然后對這些參數(shù)進行綜合分析，實現(xiàn)分類特征的選擇，以及特征的分離閾值。

5、并根據(jù)特征選擇的結果及特征重要性分析，構建了影像分類規(guī)則。
　　(2)以高空間分辨率/高光譜分辨率的航空/衛(wèi)星影像數(shù)據(jù)和LIDAR數(shù)據(jù)作為數(shù)據(jù)源，對遙感影像分類知識以概念化、形式化的方式進行本體建模，影像分類本體模型包括影像對象特征本體模型、分類規(guī)則本體模型和地表覆蓋分類本體模型。在此基礎上進而提出一種地理本體驅動的SVM(Support Vector Machine)分類方法。與普通的SVM分類相比，該方法通過有效的將分類本體知