基于SVM的土地覆盖遥感分类研究论文.docVIP

1 引言 3 2 传统的遥感分类方法 3 2.1 最大似然法 4 2.2 最小距离法 4 3 SVM基本原理 5 3.1 SVM基本算法 6 3.1.1 线性可分的SVM 6 3.1.2 非线性SVM 7 3.2 SVM分类器参数估计 8 3.3 SVM分类器多类问题 8 4 土地覆盖遥感分类实验 8 4.1 试验区概况 8 4.2 数据及处理 9 4.3 遥感图像的传统方法分类 11 4.4 遥感图像SVM分类 13 4.5 实验结果分析 15 5 结论 15 参考文献 17 基于SVM的土地覆盖遥感分类研究 摘 要：在目前的遥感分类中，最常用的方法是传统的最小距离法和最大似然法，其分类结果由于分类方法本身的问题及遥感图像的空间分辨率以及“同物异谱”，“同谱异物”现象的存在，而往往出现较多的错分、漏分情况，导致分类精度不高。支持向量机（Support Vector Machine，SVM）TM图像的土地覆盖进行传统方法分类与SVM分类的对比实验，结果表明SVM总体分类精度为98.5610%，kappa系数0.9610，具有更高的分类精度。 关键词：SVM；土地覆盖；遥感分类；TM Land Cover Classification from Remote Sensing Image Using Support Vector Machines