论文部分内容阅读
遥感数据的可视化是目视解译等遥感技术应用的基础工作。彩色图像最多只能包含3个特征。目前的遥感数据波段数(即特征)往往远远大于3。光谱分辨率越高,相邻波段之间获取的数据越相似,波段间的相关性越大,信息的冗余度越高,计算和处理越复杂。因此,高维遥感数据的降维就显得尤为重要。本文针对高维遥感数据的可视化问题,通过对不同的有监督特征生成方法的探讨,提出遥感数据有监督可视化方法。本文的研究对高维遥感数据的可视化与目视解译的结合具有重要的意义。本文提出了有监督的主成分变换回归参数重构和Fisher判别回归参数重构的特征生成方法,在基于训练样本的主成分变换法或Fisher判别法的基础上,利用最小二乘法重新估计了主成分变换或Fisher判别的系数,选取训练样本的前3个成分作为特征信息,分别赋予红色、绿色和蓝色,使其组合成一幅假彩色遥感图像,实现高维遥感数据的有监督可视化。同时选择前3个特征进行分类验证,用分类精度对这种可视化方法进行评价。可视化结果与遥感图像主成分变换和经过Fisher判别变换之后的假彩色图像进行比较,新方法图像有较好的目视解译效果。在有监督分类的情况下,本文的数据分为训练样本和检验样本两部分,选取经过主成分变换、主成分变换回归参数重构和Fisher判别回归参数重构后的所有成分的特征,重构训练样本,利用Fisher判别法建立分类模型,对样本进行分类,并与单纯的Fisher判别分类法进行了比较。结果表明:用主成分变换回归参数重构的方法进行有监督分类时,其分类精度为76.55%,kappa系数为0.7163,用Fisher回归参数重构的方法进行有监督分类时,其分类精度为76.01%,kappa系数为0.7100,主成分变换的方法进行有监督分类时其分类结果与Fisher判别法的分类结果相同,分类精度都是75.74%,kappa系数都是0.7068,参数重构的结果有所改善;用前3个特征对可视化进行验证时,得到主成分变换、主成分变换回归参数重构、Fisher判别及Fisher判别回归参数重构的分类精度分别为64.69%、71.43%、69.00%和69.27%,分类精度的高低可以影响可视化的效果。