支持向量数据描述SVDD(Support Vector Data Description)在单目标土地覆盖信息提取中得到了初步的应用,但已有研究一般选择纯净像元作为分类样本,不符合SVDD分类器原理,难以保证精度.本文选择北京市通州区为实验区,基于QuickBird重采样图像和地表真值数据构建不同空间特征的训练样本集,设计两种分类样本选择方案:在训练样本集中随机选择分类样本以及手工选择分类样本,进行SVDD分类.实验结果表明,随着惩罚因子C值逐渐增大或核宽度s值逐渐减小,超球会逐渐减小,生产者精度逐渐降低而用户精度逐渐提高.在最优分类参数的前提下,对样本进行SVDD分类.在模拟实验中,随着样本从中心向边缘逐渐扩散,超球也逐渐增大,分类精度逐渐增高,而最外层的样本接近小麦真实分布的边界,超球内混入其他的地物像元;在真实实验中,中心样本集SVDD分类总精度和生产者精度分别为80.48％和45.15％,而边缘样本集SVDD分类总精度和生产者精度分别为92.71％和95.81％,得到了明显的提升(Z=156.12),表明利用边缘像元进行SVDD分类能够提高目标地物的识别精度.
展开▼
