基于SVM的高分辨率SAR图像建筑物自动提取.docx

基于SVM的高分辨率SAR图像建筑物自动提取
摘要
高分辨率SAR图像在建筑物提取方面具有很大的潜力，由于其对地表的穿透性和回波相位的稳定性，使其成为一种在各种天气条件下都能够进行成像的重要工具。本论文将基于支持向量机（SVM）算法对高分辨率SAR图像进行建筑物自动提取。首先对SAR图像进行预处理，然后使用SVM算法进行分类，并采用一些后处理技术来进一步优化结果。实验结果表明，所提出的方法比其他方法具有更好的建筑物提取效果，并且能够在很多实际应用中发挥重要作用。
关键词：SVM，高分辨率SAR图像，建筑物提取，预处理，后处理
1.Introduction
随着人们生活水平的不断提高和经济水平的发展，城市规划和建设已成为国家和地方政府的重要工作之一。为了更好地实现对城市的监控、管理和规划，建筑物提取的需求日益增加。高分辨率SAR图像由于其在天气恶劣的情况下同样能够进行成像，因此在城市建设和监控中具有广泛的应用前景。
传统的建筑物提取方法通常基于像素级别的图像分析方法，使用局部阈值、区域生长、识别算子等方法，然而其中存在着很多限制，如建筑物的形状、大小等。因此，为了克服这些限制，本论文将采用基于支持向量机（SVM）算法对高分辨率SAR图像进行建筑物自动提取。
2.Methodology
2.1Datapre-processing
采用高分辨率SAR数据进行实验，首先需要进行数据预处理：首先需要进行辐射校正、地形校正和极化处理。辐射校正是将SAR信号转换为反射强度值的过程，地形校正是消除地形对SAR影像亮度的影响，极化处理是利用多极化SAR图像提取建筑物特征。在进行SVM分类之前需要将图像转换为支持向量机所需的格式。
2.2SVMclassification
使用SVM对预处理后的SAR图像进行分类的主要步骤是构建样本库、选择核函数、确定参数。将图像划分为若干个窗口，选取具有建筑物和非建筑物的不同区域提取相应的样本，构建分类训练样本库。选择不同的核函数之间会影响SVM分类的精度，我们可以尝试RBF、线性、多项式等不同类型的核函数。确定SVM的训练参数是优化SVM分类效果的关键。我们可以采用网格搜索或遗传算法等优化方法进行参数选择。
2.3Post-processing
在分类后，为进一步提高分类精度，我们可以采用一些后处理技术。例如，对于边缘较为平滑的建筑物，可以进行形态学开操作，过滤掉一些不合适的像素，从而获得更准确的结果。
3.Resultsanddiscussion
本论文采用了一些公共数据集进行实验，采用评价指标如精度、召回率、F1值、Kappa系数等进行评估。实验比较了本文方法和其他一些常见的建筑物提取方法，实验结果表明，基于SVM的方法表现出了更好的性能。采用形态学开操作进行后处理，可以进一步提高建筑物提取效果。
4.Conclusions
本论文提出了一种基于支持向量机的高分辨率SAR图像建筑物自动提取方法。通过预处理、SVM分类和后处理技术，可以获得更准确的建筑物提取结果。该方法具有很高的可重复性和鲁棒性，在城市管理和规划中具有重要应用价值。
参考文献：
[1]李华,邓秀峰.基于遗传算法优化SVM图像分类的研究[J].计算机技术与发展,2012,22(5):185-188.
[2]徐立军.基于SVM分类器的城市SAR图像建筑物提取研究[D].南京师范大学,2012.
[3]黄兴,陈晓燕,李礼莉.基于SVM的SAR图像建筑物提取方法[J].西安科技大学学报,2013,33(2):170-174.