基于纹理特征和支持向量机的ALOS图像土地覆被分类

基于纹理特征和支持向量机的ALOS图像土地覆被分类

, , ,

文章导航 > 自然资源遥感 > 2011 > (4): 58-63

李玲, 王红, 刘庆生, 宁吉才. 基于纹理特征和支持向量机的ALOS图像土地覆被分类[J]. 自然资源遥感, 2011, (4): 58-63.

引用本文:

李玲, 王红, 刘庆生, 宁吉才. 基于纹理特征和支持向量机的ALOS图像土地覆被分类[J]. 自然资源遥感, 2011, (4): 58-63.

LI Ling, WANG Hong, LIU Qing-sheng, NING Ji-cai. Land Cover Classification Using ALOS Image Based on Textural Features and Support Vector Machine[J]. Remote Sensing for Natural Resources, 2011, (4): 58-63.

Citation:

LI Ling, WANG Hong, LIU Qing-sheng, NING Ji-cai. Land Cover Classification Using ALOS Image Based on Textural Features and Support Vector Machine[J]. Remote Sensing for Natural Resources, 2011, (4): 58-63.

基于纹理特征和支持向量机的ALOS图像土地覆被分类

河海大学地球科学与工程学院,南京,210098

河海大学地球科学与工程学院,南京,210098

中国科学院地理科学与资源研究所,北京,100101

中国科学院地理科学与资源研究所,北京,100101

基金项目:
国家科技重大专项“水体污染控制与治理”之“太湖流域水生态功能分区与质量目标管理技术示范”项目

国家自然科学基金项目

详细信息

中图分类号: TP751.1

刊出日期: 2011-12-15

Land Cover Classification Using ALOS Image Based on Textural Features and Support Vector Machine

Publish Date: 15 December 2011

摘要: 高空间分辨率遥感图像在土地覆被分类方面应用广泛,但传统的基于像元分类方法的精度较低.为了提高高分辨率图像的分类精度,通过灰度共生矩阵法快速提取纹理特征,利用支持向量机(SVM)并辅以纹理特征,对浙江湖州典型实验样区的ALOS图像进行土地覆被分类.结果表明:基于纹理特征和SVM的图像分类能更好地提取地物信息,分类总精度达到90.88%;单纯SVM的分类精度(89.96%)高于最大似然法(分类精度86.16%).本文方法可快速准确地提取土地覆被类型,为研究农业非点源污染的产生和时空分布提供服务,进而为寻求太湖流域内合理的土地利用模式和土地的可持续利用提供科学依据.
- 纹理特征 /
- SVM /
- ALOS图像 /
- 土地覆被 /
- 非点源污染

资源附件(0)

计量

文章访问数: 221
PDF下载数: 1
施引文献: 0

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回