面向遥感影像分类的数据复杂度评价及其应用

目前在遥感影像分类研究中经常出现：分类方法缺乏可重复性、模型选取缺乏依据、野外考察之前缺乏对数据的总体了解等问题，出现这些问题的原因是遥感分类模型是数据依赖的，分类模型的行为与数据本身的复杂程度密切相关，所以研究遥感数据的复杂度特性和分类模型之间的关系具有十分重要意义。本研究首次将数据复杂度分析引入遥感分类领域，以数据复杂度评价为中心建立起分类模型、遥感数据、和野外采样之间关系。研究遥感数据复杂度评价方法，建立遥感影像数据的预分析机制，获得对遥感影像的总体评价；建立分类模型的适用范围分析机制，获得对遥感分类模型适用范围的评价；建立从复杂度到分类模型精度的预测机制，为一个地区选取适合的分类模型提供依据。进一步推动我国在遥感影像分类领域的研究进展。

随着技术的进步、以及新遥感卫星的投入使用，我们遥感数据的获取能力不断提高，为我们在更高的分辨率、更短的间隔时间上、更大的区域范围上观察和分析地表的细节信息带来帮助，高效地对遥感影像的解译和分类十分重要。在遥感领域，已经有大量的分类算法被提出，然而这些算法并不能适应所有的情况，遥感分类模型的精度与遥感数据本身的特征密切相关，所以需要分析遥感影像数据本身具备的特征、进而进行分类模型与样本的选取。本研究将数据复杂度分析引入遥感分类领域，以数据复杂度评价为中心建立起分类模型、遥感数据、和野外采样之间关系；研究遥感数据复杂度评价方法，建立遥感影像数据的预分析机制，进而提高遥感影像的分类精度。通过大量实验，对数据复杂度及遥感分类模型进行了深入研究。在数据复杂度评价方面，本研究提出了复杂度分析与模型选择方法，实验表明本研究提出的方法可以选择出较优的分类模型达到较好的分类效果；同时基于凸体理论提出了遥感样本的优化选取方法，可以在保持分类精度的情况下为SVM分类器提供较少的样本，加快算法运行速度。在影像新的处理方式方面，提出了遥感影像的并行化处理框架提高了相关软件的研发效率；实现了遥感影像的快速并行傅里叶变换，加快了全局型遥感算法的处理速度。在分类方法方面提出了小样本单类分类器的集成分类器，提高了OCSVM分类器小样本情况下的分类精度；实现了多智能体的遥感影像自动聚类方法，可以自动确定较优的聚类中心和聚类个数。本项目还就Internet中空间数据的收集进行了研究，实现了互联网中新网评论信息的所带有的地理位置数据的收集；对基于语义模式的知识获取进行了研究，为后续基于语义的遥感信息发现与处理奠定了基础。通过本项目的研究，可以进一步促进遥感影像分类技术的研究，为遥感影像分类精度和处理速度的提高做出贡献。