基于决策融合的高分辨率遥感图像智能分类方法研究.docx

基于决策融合的高分辨率遥感图像智能分类方法研究
随着遥感技术的不断发展，高分辨率遥感图像已经成为了当今遥感领域的一项重要技术手段，但是，由于高分辨率遥感图像在空间和时间上都具有高维度特征，其数据量龙盘虎步，传统的遥感图像处理方法往往无法满足其快速、准确分类的需求。因此基于决策融合的高分辨率遥感图像智能分类方法逐渐得到了人们的关注。
本文将从以下几个方面展开研究：建立高分辨率遥感图像智能分类模型；研究使用多种分类器的决策融合方式；实验验证决策融合方法的有效性。
首先，建立高分辨率遥感图像智能分类模型是分类研究的基础，常用的分类模型包括传统的支持向量机模型、神经网络模型等。传统的支持向量机模型具有较为复杂的数学算法，其通过核函数将原始数据映射到高维空间，以求解出一个线性超平面，将各个类别分开。而神经网络模型则模仿人脑的神经网络结构进行计算，模型具有良好的分类能力和学习能力。本文将同时采用这两类模型进行高分辨率遥感图像智能分类。
其次，研究使用多种分类器的决策融合方式。决策融合即对具有不同分类能力的分类器进行组合，以得到更加准确的分类。常用的决策融合方式包括简单投票法、加权投票法、贝叶斯投票法等。在本文中，我们将采用加权投票法，将两类模型的分类结果进行加权平均，以得到更加准确的分类结果。加权平均方式可以根据两种模型的分类准确度，进行不同程度的加权，更好地结合两种模型的分类能力。
最后，本文将进行实验验证决策融合方法的有效性。我们将选取具有代表性的高分辨率遥感图像数据集，将其进行预处理、特征提取、分类模型训练、分类预测等步骤，并对比单一模型与决策融合模型的分类准确率和分类效果。
通过建立高分辨率遥感图像智能分类模型，研究使用多种分类器的决策融合方式，以及实验验证决策融合方法的有效性，本文将有助于进一步完善高分辨率遥感图像智能分类技术，提高遥感数据处理的效率、准确度。