人工智能技术在遥感图像分类中的应用

《人工智能技术在遥感图像分类中的应用》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第29卷第6期计算机仿真2012年6月文章编号：1006—9348(2012)06—0240—04人工智能技术在遥感图像分类中的应用翁代云，杨莉(重庆城市管理职业学院信息工程学院，重庆401331)摘要：研究遥感图像分类精度问题，遥感图像分类根据图像特征进行分类，然而其特征维数相当高且信息冗余严重，分类器不能降低特征维数，导致分类器计算量大，图像分类效率和正确率低。利用主成分分析(PCA)降维特征维数的优点，提出一种基于PCA—SVM的遥感图像分类方法。PCA—SVM算法首先采用LBP算子提取遥感图像特征，然后采用PCA对遥感图像特征进行降维处理，减少特征维数并消除特征冗余信息

2、，获得对分类结果贡献大的特征，最后采用SVM进行遥感图像分类。仿真结果表明，PCA—SVM提高了遥感图像分类效率和正确率。关键词：遥感图像分类；数据挖掘；图像特征中图分类号：TP391文献标识码：BApplicationofArtificialIntelligenceTechnologyinRemoteSensingImagesClassificationWENGDai—yun，YANGLi(DepartmentofInformationEngineering，ChongqingCityManagementCollege，Chongqing401331，China)ABSTRA

3、CT：Studyremotesensingimageclassification．Inordertoimprovetheaccuracyofremotesensingim~tgeclassification，weproposedaremotesensingimageclassificationmethodbasedonthePCA—SVM．Firstly，theim—provedLBPoperatorwasusedtoextracttheimagecharacteristics，andthenthePCAwasusedforremotesensingim—agefeatured

4、imensionreductionandeliminationofredundantinformation，toobtaintheclassificationresultsoftheimportantfeature．Finally，theSVMwasusedfortheclassificationofremotesensingimages．Thesimulationexperi—mentalresultsshowthatPCA—-SVMisagoodsolutiontothecurrentproblemsintheremotesensingimageclassifica·-ti

5、onalgorithm，whichcanreducethecomputationgreatlyandimprovetheeficiencyandaccuracyofremotesensingimageclassification．KEYWORDS：Remotesensingimagesclassfication；Datamining；Imagesfeature两个关键步骤：遥感图像特征提取和图像分类器设计。目前1引言遥感图像特征提取基本都是根据地物光谱特征采用统计学随着图像处理技术迅速发展，遥感技术日益受到人们的方法获得特征数据，这样遥感图像特征维数相当高，特征之重视，通过遥感

6、技术能够快速、高效、准确、动态获取遥感数间信息冗余十分严重，如果直接将全部特征输入到分类器进据，并对各种目标进行分类和识别，在国土资源调查、海洋、行遥感图像分类，计算量相当大，且由于特征之间存大量的军事侦察和环境监测等领域应用越来越广泛，遥感图像分类冗余信息，使得随着特征维数增加，图像分类精度反而降成为当前研究的热点问题⋯。低。主成分分析方法(PrincipalComponentAnalysis，最原始遥感图像分类是研究人员根据自己先验知识，直PCA)具有很好的特征降维能力，可很好消除特征分量之间接从地图上进行目标识别，该方法易受到人为因素干扰，不冗余信息，使各特征向量不相关的

7、，大大减少原图像特征维适于现代批量和高效率的遥感数据识别，且分类准确率数，且可以保持图像原始信息。人工智能中的支持向量低。随着计算机技术发展，计算机自动分类代替了人工分机(suppo~vectormachine，SVM)是一种新的人工智能学习算类方法，提高了遥感图像分类精度和效率。遥感图像分类法，成为模式识别领域新的研究热点。SVM具有学习效率高、抗噪声性能强和推广性好等优点，克服了BP神经网络收稿日期：2011—07—20不足。--·——240．——量最大，最优平面的示意图如图5所示。最后