感兴趣区域遥感图像分类与支持向量机应用研究

doi:10.3778/j.issn.1002-8331.2009.06.070

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (6): 243-245.DOI: 10.3778/j.issn.1002-8331.2009.06.070

感兴趣区域遥感图像分类与支持向量机应用研究

曾联明^1,2,3,吴湘滨1,刘鹏³

1.中南大学地学与环境工程学院，长沙 410083
2.佛山科学技术学院信息中心，广东佛山 528000
3.解放军理工大学网格研究中心，南京 210016

收稿日期:2008-01-08 修回日期:2008-03-31 出版日期:2009-02-21 发布日期:2009-02-21
通讯作者: 曾联明

Research on SVM and its application of remote sense image classification for regions of interest

ZENG Lian-ming^1,2,3,WU Xiang-bin¹,LIU Peng³

1.School of Geosciences and Environmental Engineering，Central South University，Changsha 410083，China
2.Information and Educational Technology Center，Foshan University，Foshan，Guangdong 528000，China
3.MilGrid Research Center，The PLA University of Science and Technology，Nanjing 210016，China

Received:2008-01-08 Revised:2008-03-31 Online:2009-02-21 Published:2009-02-21
Contact: ZENG Lian-ming

摘要/Abstract

摘要： 提出了基于SVM的遥感图像分类方法并构建了分类模型，该方法以唐山1∶50 000 TM局部图为分类数据来源，由用户选择感兴趣的区域，分别提取该区域绿地、公共用地和房屋的图像特征，并以此为训练样本进行训练，采取交叉校验的方法获得SVM的最优惩罚因子C和间隔γ参数进行图像分类。实验结果表明，此分类方法准确率高、稳定快捷，是SVM在遥感图像分类中的一个很好的应用。

关键词: 遥感, 图像分类, 支持向量机, 感兴趣区域

Abstract: A classification method and model is proposed based on SVM for remote sense image.By selecting Regions Of Interest（ROI） from the 1∶50 000 TM image of Tangshan city area，extract the feature of greenbelt，public lands，building and so on，the parameters of C and γ are achieved by cross validation method，with these textures to train and parameters to classify the RS image，the fact shows that the classification method based on SVM has a high accuracy and a fast，stably efficiency.

Key words: remote sense, image classification, Support Vector Machine（SVM）, Regions Of Interest（ROI）

曾联明^1,2,3,吴湘滨1,刘鹏³. 感兴趣区域遥感图像分类与支持向量机应用研究[J]. 计算机工程与应用, 2009, 45(6): 243-245.

ZENG Lian-ming^1,2,3,WU Xiang-bin¹,LIU Peng³. Research on SVM and its application of remote sense image classification for regions of interest[J]. Computer Engineering and Applications, 2009, 45(6): 243-245.

[1]	张朕通，单玉刚，袁杰. 联合多尺度和注意力机制的遥感影像检测[J]. 计算机工程与应用, 2021, 57(9): 212-216.
[2]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[3]	张韩钰，吴志昊，徐勇，陈斌. 增强卷积神经网络的人脸篡改检测方法[J]. 计算机工程与应用, 2021, 57(8): 220-224.
[4]	魏玮，杨茹，朱叶. 改进CenterNet的遥感图像目标检测[J]. 计算机工程与应用, 2021, 57(6): 191-199.
[5]	韩晓微，韩震，岳高峰，崔建江. 救灾无人机的优化A*航迹规划算法[J]. 计算机工程与应用, 2021, 57(6): 232-238.
[6]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[7]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[8]	温杰彬，杨文忠，马国祥，张志豪，李海磊. 基于Apex帧光流和卷积自编码器的微表情识别[J]. 计算机工程与应用, 2021, 57(4): 127-133.
[9]	佘海龙，解山娟，邹静洁. 标准分数降维的3D-CNN高光谱遥感图像分类[J]. 计算机工程与应用, 2021, 57(4): 169-175.
[10]	于多，黄永东. 基于SPCA和域变换递归滤波的高光谱图像分类[J]. 计算机工程与应用, 2021, 57(4): 199-208.
[11]	万亚玲，钟锡武，刘慧，钱育蓉. 卷积神经网络在高光谱图像分类中的应用综述[J]. 计算机工程与应用, 2021, 57(4): 1-10.
[12]	徐志京，汪毅. 青光眼眼底图像的迁移学习分类方法[J]. 计算机工程与应用, 2021, 57(3): 144-149.
[13]	徐先峰，蔡路路，张丽. 融合MLP和DBN的光伏发电预测算法[J]. 计算机工程与应用, 2021, 57(3): 266-272.
[14]	胡杰，张莹，谢仕义. 国产遥感影像分类技术应用研究进展综述[J]. 计算机工程与应用, 2021, 57(3): 1-13.
[15]	李俊侠，张秦，郑桂妹. 超宽带雷达人体姿态识别综述[J]. 计算机工程与应用, 2021, 57(3): 14-23.

感兴趣区域遥感图像分类与支持向量机应用研究

Research on SVM and its application of remote sense image classification for regions of interest

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics