文献类型：期刊文章

作　　者：张秀英[1] 冯学智[2] 江洪[1,3]

机构地区：[1]南京大学国际地球系统科学研究所,江苏南京210093 [2]南京大学地理与海洋科学学院,江苏南京210093 [3]浙江林学院国际空间生态与生态系统生态研究中心,浙江杭州311300

出　　处：《遥感学报》

基　　金：State Data Synthesis and Analysis Funds of China (No. 2005DKA32306 and No. 2006DKA 32308);State International Cooperation Project (No. 20073819);State Key Fundamental Science Funds of China (No. 2007FY110300);National Key Basic Research Project (973 project, No. 2005CB422208)

年　　份：2009

卷　　号：13

期　　号：4

起止页码：659-669

语　　种：中文

收录情况：AJ、BDHX、BDHX2008、CSA、CSCD、CSCD2011_2012、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为提高图像处理效率,探讨了面向对象分类的特征空间优化方法。以区域增长算法获得的对象为处理单元,根据植被在IKONOS影像上的表征,初步选择了6个形状、2个位置、17个光谱和6个纹理特征,共计31个作为初始特征空间。首先根据每组中特征所代表的信息量和特征之间的相关性,去掉与其他特征相关性强而方差较小的特征,将特征空间维降到23;以识别城区植被为目标,根据220个植被样本计算2—23维特征空间的类间J-M距离,以最小J-M和平均J-M距离为依据选择最优特征空间,将特征空间维降到14;最后利用类间离差矩阵代替协方差矩阵的K-L变换对特征空间进行压缩,分组压缩后将维数降低到7,而对整个特征空间压缩将维数降低到4。为验证特征空间优化对识别结果的影响,采用CART分类方法对城市植被进行了识别。构建的决策树表明,利用分组K-L变换后的特征空间比利用整体K-L变换获得的训练精度高12%;与K-L压缩前的特征空间获得的决策树相比,结构复杂程度相当(前者包含14个结点,后者包含12个结点),训练精度仅低1%。分类结果也表明,利用分组K-L变换的特征空间比利用不进行K-L变换的特征空间分类,总精度和Kappa系数分别降低了1.5%和2.3%,但是特征空间却压缩了50%,提高了面向对象分类方法的处理效率。

关 键 词：特征空间优化  面向对象分类 决策树

分 类 号：P237]