【机构】 信息工程大学地理空间信息学院； 中国科学院地理科学与资源研究所； 中国天绘卫星中心； 中国南海研究协同创新中心； 【摘要】 在遥感影像自动分类中仅使用光谱特征很难产生正确的分类,OLI影像是波段数较多的多光谱影像,如果增加纹理、几何等多种特征以提高分类精度,就会使得特征的维度很高。支持向量机善于解决小样本、非线性和高维的影像分类问题,但是核函数和参数的设置只能依靠实验来获得。文中在OLI影像中提取了23个特征,逐个测试核函数和参数值对分类结果的影响。研究的主要结论如下:RBF核的支持向量机分类精度最高,Sigmoid核支持向量机分类精度最低;核函数的选择对分类精度的影响最大;核函数和参数值的变化不会影响重要特征的使用,3种核的支持向量机分类所使用的重要特征基本一致。 【关键词】 支持向量机； 核函数； 机器学习； 分类； OLI影像； 多特征；
|