基于多核支持向量機的高分辨率遙感影像建筑物提取研究.pdf

1、 分類號： 密 級： 公開 U D C： 學 號： 碩士學位論文 2015 年 6 月 9 日基于多核 基于多核支持向量機 支持向量機的高分辨率遙感影像建筑物提 的高分辨率遙感影像建筑物提取研究 取研究 Research on high resolution remote sensing image building extraction based on the multi-kernel support vector ma

2、chine 學 位 類 別： 全日制學術(shù)碩士 作 者 姓 名： 尹文亭 學 科、專 業(yè)： 大地測量學與測量工程 指 導 教 師： 徐昌榮 教授 研 究 方 向： 遙感影像信息提取 江西理工大學碩士學位論文 摘要 I 摘 要 遙感技術(shù)快速發(fā)展，使得遙感影像分辨率不斷提高，數(shù)據(jù)量急劇增加，因此能夠更加精確地提取和分析影像中所包含的豐富地物信息。然

3、而，目前高分辨率遙感影像信息自動提取準確度不高，建筑物作為其中一類極其重要的人工地物目標，將其各種信息較好的提取出來對于推動高分辨率遙感影像在目標識別分類以及城市土地規(guī)劃管理等方面具有十分重要的意義。 在影像信息提取中分類是一個關(guān)鍵問題，以核函數(shù)為基礎(chǔ)的支持向量機（SVM）分類是解決影像目標分類問題的一種有效方法。 針對核函數(shù)的選擇不同和核參數(shù)設(shè)置的不同使得基于單核 SVM 模型的分類性能差異較大而不能準確提取建筑物的問題，本文提出構(gòu)建

4、多核學習支持向量機（MKSVM）分類模型用于提取影像建筑物。該 MKSVM 分類模型是針對不同特征對建筑物提取所貢獻作用的不同， 通過權(quán)重的方式將不同的基核函數(shù)線性相加構(gòu)建的一種分類器，模型包含其中所有基本核函數(shù)的特性，具有很好的學習能力、推廣性能和靈活性。 本研究在 Visual studio 2013 平臺下基于 C++語言編寫的 ORFEO TOOLBOX （OTB）分布式影像處理算法開源庫，研制面向?qū)ο蟮母叻直媛蔬b感影像建筑物信

5、息提取系統(tǒng)，實現(xiàn)采用兩次分割分類的方式分步提取建筑物。 首先通過區(qū)域合并的改進分水嶺方法分割影像， 并基于光譜特征采用 K 近鄰監(jiān)督分類提取只包含建筑物、 道路和水泥廣場等在內(nèi)的不透水層，在此過程中同時單獨提取影像中的藍色廠房；然后對不透水層進行均值漂移分割，根據(jù)提取的建筑物光譜、紋理和形狀等特征，將樣本輸入到多項式（POLY）與徑向基（RBF）核函數(shù)構(gòu)建的 MKSVM 分類數(shù)學模型訓練得到分類器；最后根據(jù)訓練得到的 MKSVM 分類器

6、提取建筑物。通過與單核 SVM 分類提取建筑物結(jié)果進行精度比較，相對 RBF 核函數(shù)，兩個區(qū)域的 MKSVM 分類的用戶精度提高了 1.5%左右，相對POLY 核函數(shù)， 兩個區(qū)域的 MKSVM 分類的用戶精度提高了 3%到 5%； 兩個區(qū)域的 Kappa系數(shù)也分別提高到了 0.8579 和 0.8415。 實驗結(jié)果表明，本文研制的影像建筑物信息提取系統(tǒng)運行可靠，通過與單核 SVM提取建筑物相比， 基于 MKSVM 的面向?qū)ο蠓诸惙椒ㄌ崛?/p>