基于植被特征库的高光谱植被精细分类（英文）

目前,高光谱数据精细分类面临两方面问题:一方面,传统单纯利用光谱信息的分类往往难以满足各应用行业对精度的需求,另一方面,基于像元的分类结果受制于椒盐噪声,影响其有效应用。为此,提出了一种基于植被特征库构建与优化的高光谱植被精细分类策略。首先,从高光谱影像中的原始光谱特征出发,结合灰度共生矩阵和局域指示空间分析两类纹理特征,并有针对性地加入了对植被叶绿素、胡萝卜素、花青素和氮素叶面积指数等理化参量敏感的光谱指数特征,构建了完备的植被特征库,以提高植被类别间的可分性;进而对植被特征库进行光谱维优化,提出了基于类对可分性的光谱维优化算法,选择对各类对具有最高识别能力的特征波段,通过迭代使各类别间均达到较高的区分度,并利用最优索引因子法进一步降低数据冗余,以提高分类效率;在进行植被特征库空间维优化时,主要基于地物分布通常具有一定的空间连续性这一理论,提出了基于邻域光谱角距离的植被特征库空间维优化算法,以去除分类结果中的椒盐噪声,提高分类精度和分类图像平滑度。基于航空高光谱数据的植被精细分类验证表明,该方法可以显著提高分类精度,在作物品种识别、精准农业等方面将具有广泛的应用前景。

基于多核SVM的高光谱影像植被精细分类

植被自身复杂的生长环境和垂直分布结构，使得高光谱影像中的植被特征受到大量异构信息影响。在对植被进行精细分类时，随着植被类别的增加，植被样本信息量大大增加，但植被各类别之间的可分性却在下降，采用单核映射方式对所有植被样本进行处理的分类方法难以得到可靠的分类精度。多核学习方法能够以全新的核函数映射方式对复杂的样本信息进行处理，本文将多核学习方法引入植被精细分类中，提出基于多核SVM的高光谱影像植被精细分类方法，实验结果表明该方法可以显著提高分类精度，在树种识别、精细农业等方面具有广泛的应用前景。

特征优选的GF-1影像植被遥感精细分类研究

植被精细化分类对掌握不同植被在维护生态环境安全中的作用具有重要意义。本文选择国产高分一号(GF-1)卫星影像,构建该影像下的基于光谱、纹理、植被指数的多特征空间,并选择ReliefF算法与CFS算法进行特征筛选,最后结合随机森林算法与libsvm模型,研究特征选择对分类精度的影响,并获取植被精细化分类的最佳多特征分类算法模型。结果表明,特征选择能在一定程度上提高分类精度;CFS算法相较于ReliefF算法能更好地简化特征子集的维度,并获取能提高分类精度的更优子集;基于CFS-libsvm的植被精细化分类方法具有较高的分类精度。