一种基于SVR的简易融合算法

基于SVR (Synthetic Variable Ratio, 合成变量比) 融合方法,本文提出了一种SSVR (Simplified Synthetic Variable Ratio, 简易合成变量比) 融合方法.SSVR的核心是融合采用Radiance (辐射亮度) 而不是DN值,低分辨率多光谱模拟的全色波段能量用高分辨率全色波段的能量替代.以Landsat 7 ETM 数据为例,采用PCA (主成分分析) 、Multiplicative (乘积方法) 、Brovey Transform (比值方法) 、ISVR、SSVR 5种方法进行遥感影像融合,对比结果表明SSVR融合方法在提高原始多光谱影像分辨率的基础上,很好地保持了多光谱信息,该方法简单易行,提高了遥感数据的可利用性.     

遥感影像的分类自校正方法研究

遥感图像分类是遥感图像研究的主要内容之一,分类精度高低直接关系到遥感数据的可靠性和实用性。多分类器系统可以提高单分类器分类的精度,但往往要求组成的子分类器分类误差相互独立,子分类器选择困难。支持向量机是新发展起来的一种非参数分类器,其分类原理和传统的基于统计的分类方法不同,表现出一定的独立性。为此本文尝试基于支持向量机和目前使用最广泛的最大似然法,构建一个性能高效且组合方式简单的复合分类器(称为遥感影像分类自校正方法)。同时,为了验证该分类器的性能,在北京市2006年4月27日的SPOT2图像上选择了一个研究区,分别利用最大似然法、支持向量机法和分类自校正方法进行分类对比试验。结果显示分类自校正方法的总体分类精度最高,比最大似然法和支持向量机法分别提高了4.35%和6.6%,而且各种地物类型的分类精度相对最大似然和支持向量机法都有提高。本文提出的分类自校正方法是一种性能高效且操作简单的分类方法。