基于多特征软概率级联的土地利用/土地覆盖分类

为实现高分辨率遥感影像低层特征的有效组织与优化,提高特征的可判别性,重点研究了基于稀疏编码的中层特征学习、基于支持向量机(Support Vector Machine,SVM)的分类技术,提出了基于软概率级联中层特征学习模型实现土地利用/土地覆盖(Land Use and Land Cover,LULC)分类。首先,提取影像的灰度共生矩阵(Graylevel Co-occurrence Matrix,GLCM)、光谱特征、密集尺度不变特征转换(Dense Scale Invariant Feature Transform,DSIFT)作为低层特征;然后由稀疏编码分别对GLCM、DSIFT和光谱特征进行稀疏编码,并结合最大平滑方法对稀疏系数进行优化,获得影像的中层特征,并通过SVM分类器分别计算LULC类别软概率,对其级联获得影像的特征表达;最后,利用SVM分类器再次分类获得LULC分类结果。选用武汉市远城区农村居民点作为实验样区,对该方法进行了验证,实验结果表明,该方法总体精度达到88%左右;相较于提取单一低层特征的分类方法,本文算法可有效提高LULC分类精度。