基于纹理特征的地表覆盖分类算法研究的中期报告.docx

基于纹理特征的地表覆盖分类算法研究的中期报告
1.研究背景与意义
地表覆盖分类是遥感技术应用的重要领域，具有广泛应用。传统的分类方法主要基于光谱特征，但在复杂地区，例如城市区域、山区等。光谱特征的分类精度有限。相比较而言，纹理特征不仅仅可以弥补光谱特征的不足，同时也可以提取地表对象的空间信息，具有很大的分类潜力。
因此，本研究旨在通过研究并运用纹理特征，实现高精度的地表覆盖分类。
2.研究进展
在研究过程中，我们从高分遥感影像中提取了大量的纹理特征。具体来说，我们运用了局部二值模式（LBP）、格莱因值（GLCM）和Gabor滤波器等算法对影像进行了纹理特征的提取。接着，我们使用了多种分类模型进行对比实验，包括支持向量机（SVM）、随机森林（RF）、K近邻算法（KNN）等。
目前的研究进展如下：
1)进行了数据预处理，包括影像校正、镶嵌和去云预处理。
2)提取了多种纹理特征，比如LBP、GLCM和Gabor滤波器等。
3)分别使用SVM、RF和KNN等多种常用分类器进行地表覆盖分类，并进行了准确性比较。
4)初步得到了分类精度的提高，但仍需进一步的分析和探究。
3.下一步工作
接下来的研究重点将放在以下几个方面：
1)将纹理特征与传统光谱特征相结合，以达到更好的分类精度。
2)对于分类错误的样本进行进一步的研究和分析，以发现分类算法中的潜在问题和改进方向。
3)进一步扩大研究规模，涵盖更多的地区，以增强该分类算法的适用性。
4)尝试使用深度学习等新型算法，以进一步提高分类精度和效率。
通过上述的工作，我们期望能够取得更好的研究成果，并为地表覆盖分类提供更好的技术支持。