基于混合模型的遙感影像分類方法研究

基于高斯混合模型的遙感影像分類方法研究

中國(guó)地質(zhì)大學(xué)（武漢）信息工程學(xué)院2014年5月研究生：李登朝指導(dǎo)老師：吳信才

徐世武學(xué)科專業(yè)：資源與環(huán)境遙感目錄一、緒論二、高斯混合模型與EM算法三、基于GMM的遙感影像特征建模與分類方法四、遙感影像的分類方法與實(shí)驗(yàn)分析五、總結(jié)與展望一緒論1.1研究背景和意義一、緒論高光譜高時(shí)相分辨率高空間三高三多多傳感器多角度多平臺(tái)遙感圖像的自動(dòng)化信息提取是長(zhǎng)期的遙感科學(xué)難題，而遙感圖像的分類是遙感信息自動(dòng)化處理的前提和基礎(chǔ)，目前仍缺乏普遍適用的分類模型和完善的分類理論。1.2國(guó)內(nèi)外研究現(xiàn)狀一、緒論遙感影像分類的研究現(xiàn)狀高斯混合模型已經(jīng)廣泛的應(yīng)用于各個(gè)領(lǐng)域，如作物育種、圖像處理、語(yǔ)音識(shí)別等，但用于影像分類的研究卻不多。高斯混合模型在遙感影像處理方面的研究主要有：Melo、Miller、駱劍承、熊彪、KaiXu、陳雪峰等人。混合概率模型的遙感影像分類方法早期，采用的方法多為閾值分類和聚類等統(tǒng)計(jì)的方法。近年來(lái)，人工智能、機(jī)器學(xué)習(xí)等相關(guān)理論和方法也大量應(yīng)用于圖像分類中。目前，基于區(qū)域增長(zhǎng)和合并、基于分水嶺分類、數(shù)學(xué)形態(tài)學(xué)、基于紋理模型以及基于小波變換等方法更為適應(yīng)高空間分辨率遙感影像分類。1.3主要研究?jī)?nèi)容一、緒論高斯混合模型與EM算法自適應(yīng)獲取地物樣本的最優(yōu)高斯子分量數(shù)基于光譜和紋理信息的GMM遙感影像分類本文從遙感影像分類問(wèn)題出發(fā)，采用高斯混合模型研究遙感影像的分類問(wèn)題，實(shí)現(xiàn)遙感影像上地物類別的精確劃分。1.4技術(shù)路線一、緒論P(yáng)age

8二高斯混合模型與EM算法基于高斯混合模型的圖像識(shí)別方法，具有形式靈活、識(shí)別速度快、抗干擾能力強(qiáng)、識(shí)別準(zhǔn)確率高等優(yōu)點(diǎn)。二、高斯混合模型與EM算法2.1高斯混合模型采用若干高斯分布的線性疊加來(lái)表示，將一個(gè)事物分解為若干的基于高斯概率密度函數(shù)形成的模型。其中為均值為，協(xié)方差為的高斯分布，是混合參數(shù)，看做第i個(gè)高斯分布的權(quán)重，表征先驗(yàn)概率。且二、高斯混合模型與EM算法2.1高斯混合模型X={X1，X2，…，Xd}T是d維的隨機(jī)變量x={x1，x2，…，xd}T表示X的一個(gè)實(shí)例概率密度函數(shù)由M個(gè)成份構(gòu)成每個(gè)子要素內(nèi)服從均值為μi方差為∑i的高斯分布通過(guò)使概率函數(shù)的似然函數(shù)達(dá)到最大值可以得到參數(shù)的估計(jì)值，將高斯混合密度函數(shù)中所有待定的參數(shù)記為θ，則似然函數(shù)為：二、高斯混合模型與EM算法2.2EM算法需要假設(shè)選取樣本符合高斯混合模型，算法目的是求出高斯混合模型各個(gè)正態(tài)分布的參數(shù)。為了使問(wèn)題簡(jiǎn)化，我們求的最大值。二、高斯混合模型與EM算法EM算法原理用Z來(lái)表示每一個(gè)高斯分布，假定可以觀察到Z，問(wèn)題變?yōu)榍笙率阶畲笾担憾?、高斯混合模型與EM算法EM算法原理但是Z是觀察不到的，因此EM算法假設(shè)Z的分布依據(jù)上一輪的估計(jì)參數(shù)確定，求取上式期望的最大值。定義：二、高斯混合模型與EM算法EM算法原理對(duì)上式使用拉格朗日乘數(shù)法可得求偏導(dǎo)并令值為零分別得：二、高斯混合模型與EM算法EM算法原理EM算法的具體流程為重復(fù)執(zhí)行以下兩個(gè)步驟直到收斂:E步，是根據(jù)參數(shù)初始值或上一次迭代所得結(jié)果值來(lái)計(jì)算似然函數(shù)關(guān)于條件分布的期望：M步，是將似然函數(shù)最大化以獲得新的參數(shù)值，用更新使最大化。二、高斯混合模型與EM算法EM算法原理目的：提供一個(gè)簡(jiǎn)單的迭代算法計(jì)算后驗(yàn)密度函數(shù)，它的最大優(yōu)點(diǎn)是簡(jiǎn)單和穩(wěn)定，但容易陷入局部最優(yōu)，它最后的精度對(duì)其初始化參數(shù)的選擇具有很大的依賴性。本文采用K均值算法初始化EM參數(shù)。二、高斯混合模型與EM算法2.3EM算法的初始化下面將用一個(gè)模擬數(shù)值實(shí)驗(yàn)來(lái)比較EM算法和K均值初始化EM算法聚類效果。二、高斯混合模型與EM算法2.3EM算法的初始化

高斯混合模型子高斯分量參數(shù)N（1）N（2）真實(shí)參數(shù)w1=0.4，u1=3，Σ1=1w2=0.6，u2=-2，Σ2=4EM算法0.401826，3.02254，0.9849070.598174，-2.02591，1.99962k均值初始化EM算法0.399908，3.00293，0.9891320.600926，-1.99536，2.00035二、高斯混合模型與EM算法2.4貝葉斯分類準(zhǔn)則三基于高斯混合模型的遙感影像特征建模與分類方法Page

21三、基于高斯混合模型的遙感影像特征建模與分類方法3.1遙感影像高斯混合模型建模不同的地物在同一波段圖像上表現(xiàn)的亮度一般互不相同；不同的地物在多個(gè)波段圖像上亮度的呈現(xiàn)規(guī)律也不同；不同訓(xùn)練樣本進(jìn)行高斯分解得到的子高斯分量數(shù)應(yīng)該是不一樣的。本文適用自適應(yīng)GMM算法獲取地物樣本最佳的高斯分量數(shù)。具體流程圖如下:三、基于高斯混合模型的遙感影像特征建模與分類方法3.1遙感影像高斯混合模型建模1第一步：在參數(shù)空間Θ中為φ選擇一個(gè)合適的初始值φ0，s=0；k{0,????

}，N=0，N表示自適應(yīng)分類EM算法迭代的次數(shù)。第二步：判斷參數(shù)是否滿足下列條件：如果k>=2，N=N+1，同時(shí)進(jìn)行第三步，如果k<=1，直接跳轉(zhuǎn)第六步。2第三步：E_step：通過(guò)當(dāng)前估值φ0來(lái)計(jì)算輔助函數(shù)：????(φ?φ??)=E(??????(φ|x,z))=∫????????p(x,z|φ)f((z|x,φ))dz3第四步：M_step：在參數(shù)空間中是????(φ?φ??)極大化，我們求??Δ=??z+1∈Θ使得????(φ??+1?φ??)=maxφ∈Θ??(φ,φ??)4第五步：如果????????(φ??+1)?????????(φ??)≤??2時(shí)，迭代終止：否則s←s+1，跳轉(zhuǎn)到第三步。5第六步：迭代算出每個(gè)混合像元的權(quán)重π，并將權(quán)重為零的混合分量去除掉，同時(shí)在剩余的混合分量中找出權(quán)重最小的將其強(qiáng)行去除，設(shè)??min為一個(gè)N維數(shù)組，并將??min?????(φ??+1?φ??)，繼續(xù)轉(zhuǎn)到第二步進(jìn)行第二次迭代。6第七步：最終輸出自適應(yīng)結(jié)果：在N維數(shù)組??min中，找出最小的????(φ??+1?φ??)，所對(duì)應(yīng)的??Δ，k是最佳的參數(shù)估計(jì)值。7三、基于高斯混合模型的遙感影像特征建模與分類方法設(shè)定非監(jiān)督分類的類別為3類，通過(guò)高斯混合模型求取各高斯子分量參數(shù)為：3.2遙感影像高斯混合模型非監(jiān)督分類以2009年9月6日的武漢地區(qū)的TM影像為例，采用高斯混合模型方法進(jìn)行非監(jiān)督分類：Page

24三、基于高斯混合模型的遙感影像特征建模與分類方法3.2遙感影像高斯混合模型非監(jiān)督分類三、基于高斯混合模型的遙感影像特征建模與分類方法設(shè)定非監(jiān)督分類的類別為5類，通過(guò)高斯混合模型求取各高斯子分量參數(shù)為：3.2遙感影像高斯混合模型非監(jiān)督分類設(shè)定非監(jiān)督分類的類別為5類，通過(guò)高斯混合模型求取各高斯子分量參數(shù)為：Page

26三、基于高斯混合模型的遙感影像特征建模與分類方法3.2遙感影像高斯混合模型非監(jiān)督分類四遙感影像的分類方法與實(shí)驗(yàn)分析四、遙感影像的分類方法與實(shí)驗(yàn)分析4.1遙感影像半監(jiān)督條件下高斯混合模型分類1遙感影像數(shù)據(jù)的預(yù)處理2樣本選取3樣本特征選取4自適應(yīng)獲取各樣本最佳高斯分量數(shù)5初始化高斯模型參數(shù)6基于EM算法的參數(shù)估計(jì)7利用Bayes準(zhǔn)則進(jìn)行高斯混合模型分類8實(shí)驗(yàn)結(jié)果分析與評(píng)價(jià)四、遙感影像的分類方法與實(shí)驗(yàn)分析4.2遙感影像的紋理特征紋理是遙感影像中一種非常普遍和常見(jiàn)的特征，它反映了物體表面顏色和灰度的某種變化，對(duì)圖像分類起著很大的作用。本文采用紋理特征直接參與方案，即通過(guò)計(jì)算每個(gè)像元的紋理特性選取不同的先驗(yàn)概率達(dá)到對(duì)不同紋理地物加不同權(quán)，把紋理特征參數(shù)當(dāng)作高斯混合模型分類法中先驗(yàn)條件引入分類過(guò)程，使分類結(jié)果更加合理，精度更高。四、遙感影像的分類方法與實(shí)驗(yàn)分析4.3.1TM影像的分類實(shí)驗(yàn)2009年9月6日的武漢地區(qū)的TM影像741波段合成圖像選取了長(zhǎng)江、湖泊、草地、林地、居民地和裸地6種典型的樣本數(shù)據(jù)，構(gòu)建遙感影像的樣本空間。地物類型樣本容量顏色長(zhǎng)江1012紅湖泊2080藍(lán)草地1832綠林地2137品紅居民地2004黃裸地1864紫四、遙感影像的分類方法與實(shí)驗(yàn)分析4.3.1TM影像的分類實(shí)驗(yàn)四、遙感影像的分類方法與實(shí)驗(yàn)分析4.3.1.1基于TM光譜信息的分類利用樣本空間的6類樣本進(jìn)行自適應(yīng)求取最佳高斯子分量數(shù)草地3個(gè)高斯分量林地4個(gè)高斯分量長(zhǎng)江3個(gè)高斯分量湖泊3個(gè)高斯分量居民地4個(gè)高斯分量裸地3個(gè)高斯分量四、遙感影像的分類方法與實(shí)驗(yàn)分析Class分類圖像草地林地長(zhǎng)江湖泊居民地裸地TotalUnclassified7021465694草地8591128001852010林地2116200001164長(zhǎng)江00911000911湖泊0001951001951居民地20201016264152073裸地14100815521575Total90222939321965165820289778總體分類精度：(8061/9778)=82.4402%，Kappa=0.7896平行六面體法最小距離法馬氏距離法最大似然法支持向量機(jī)傳統(tǒng)GMM自適應(yīng)GMMClass分類圖像草地林地長(zhǎng)江湖泊居民地裸地TotalUnclassified0000000草地855154007561072林地34213401302172長(zhǎng)江00932000932湖泊030196410022069居民地92001494891594裸地40005418811939Total90222939321965165820289778總體分類精度：(9260/9778)=94.7024%，Kappa=0.9352四、遙感影像的分類方法與實(shí)驗(yàn)分析平行六面體法最小距離法馬氏距離法最大似然法支持向量機(jī)傳統(tǒng)GMM自適應(yīng)GMMClass分類圖像草地林地長(zhǎng)江湖泊居民地裸地TotalUnclassified0000000草地727271009351042林地153201304642180長(zhǎng)江00932037942湖泊060195335162010居民地310815012121725裸地1920010417541879Total90222939321965165820289778總體分類精度：(8880/9778)=90.8161%，Kappa=0.8877四、遙感影像的分類方法與實(shí)驗(yàn)分析平行六面體法最小距離法馬氏距離法最大似然法支持向量機(jī)傳統(tǒng)GMM自適應(yīng)GMMClass分類圖像草地林地長(zhǎng)江湖泊居民地裸地TotalUnclassified0000000草地854130010211006林地37215500002192長(zhǎng)江00926000926湖泊0101957001958居民地45671600661688裸地72005819412008Total90222939321965165820289778總體分類精度：(9433/9778)=96.4717%，Kappa=0.9568四、遙感影像的分類方法與實(shí)驗(yàn)分析平行六面體法最小距離法馬氏距離法最大似然法支持向量機(jī)傳統(tǒng)GMM自適應(yīng)GMMClass分類圖像草地林地長(zhǎng)江湖泊居民地裸地TotalUnclassified0000000草地875134003181030林地21215601002178長(zhǎng)江00932000932湖泊0301957821970居民地600715991251737裸地00004818831931Total90222939321965165820289778總體分類精度：(9402/9778)=96.1546%，Kappa=0.953四、遙感影像的分類方法與實(shí)驗(yàn)分析平行六面體法最小距離法馬氏距離法最大似然法支持向量機(jī)傳統(tǒng)GMM自適應(yīng)GMMClass分類圖像草地林地長(zhǎng)江湖泊居民地裸地TotalUnclassified0000000草地93100000931林地0195701221962長(zhǎng)江0187396123994湖泊00242194012219居民地175215961101721裸地00005918921951Total93219659022293165820289778總體分類精度：(9443/9778)=96.5739%，Kappa=0.9581四、遙感影像的分類方法與實(shí)驗(yàn)分析平行六面體法最小距離法馬氏距離法最大似然法支持向量機(jī)傳統(tǒng)GMM自適應(yīng)GMMClass分類圖像草地林地長(zhǎng)江湖泊居民地裸地TotalUnclassified0000000草地93100000931林地0195701221962長(zhǎng)江018751080221006湖泊00222180012203居民地17541600921709裸地00005619111967Total93219659022293165820289778總體分類精度：(9454/9778)=96.6864%，Kappa=0.9594四、遙感影像的分類方法與實(shí)驗(yàn)分析平行六面體法最小距離法馬氏距離法最大似然法支持向量機(jī)傳統(tǒng)GMM自適應(yīng)GMM四、遙感影像的分類方法與實(shí)驗(yàn)分析4.3.1.2基于TM光譜和紋理信息的分類利用樣本空間的6類樣本進(jìn)行自適應(yīng)求取最佳高斯子分量數(shù)草地2個(gè)高斯分量林地3個(gè)高斯分量長(zhǎng)江1個(gè)高斯分量湖泊2個(gè)高斯分量居民地4個(gè)高斯分量裸地2個(gè)高斯分量四、遙感影像的分類方法與實(shí)驗(yàn)分析傳統(tǒng)GMM自適應(yīng)GMM平行六面體法最小距離法馬氏距離法最大似然法支持向量機(jī)Class分類圖像草地林地長(zhǎng)江湖泊居民地裸地TotalUnclassified12123211078145草地8551128001852006林地1116100001162長(zhǎng)江00909000909湖泊0001937001937居民地2020716093952033裸地141002115501586Total90219659022293165820289778總體分類精度：(8021/9778)=82.0311%，Kappa=0.7850四、遙感影像的分類方法與實(shí)驗(yàn)分析平行六面體法最小距離法馬氏距離法最大似然法支持向量機(jī)傳統(tǒng)GMM自適應(yīng)GMMClass分類圖像草地林地長(zhǎng)江湖泊居民地裸地TotalUnclassified0000000草地8561400010581064林地31214801302183長(zhǎng)江00932000932湖泊030196410022069居民地112001489871589裸地40005618811941Total90219659022293165820289778總體分類精度：(9270/9778)=94.8047%，Kappa=0.9364四、遙感影像的分類方法與實(shí)驗(yàn)分析平行六面體法最小距離法馬氏距離法最大似然法支持向量機(jī)傳統(tǒng)GMM自適應(yīng)GMMClass分類圖像草地林地長(zhǎng)江湖泊居民地裸地TotalUnclassified0000000草地706193011133944林地176208704452276長(zhǎng)江00932036941湖泊090195340142016居民地520714992111724裸地1520010117591877Total90219659022293165820289778總體分類精度：(8936/9778)=91.3888%，Kappa=0.8945四、遙感影像的分類方法與實(shí)驗(yàn)分析平行六面體法最小距離法馬氏距離法最大似然法支持向量機(jī)傳統(tǒng)GMM自適應(yīng)GMMClass分類圖像草地林地長(zhǎng)江湖泊居民地裸地TotalUnclassified0000000草地83410602023965林地56217900002235長(zhǎng)江00926000926湖泊0101956121960居民地45671604651691裸地82005319382001Total90219659022293165820289778總體分類精度：(9437/9778)=96.5126%，Kappa=0.9573四、遙感影像的分類方法與實(shí)驗(yàn)分析平行六面體法最小距離法馬氏距離法最大似然法支持向量機(jī)傳統(tǒng)GMM自適應(yīng)GMMClass分類圖像草地林地長(zhǎng)江湖泊居民地裸地TotalUnclassified0000000草地8679501521989林地30219500302228長(zhǎng)江00932000932湖泊03019571121973居民地500715861251723裸地00005318801933Total90222939321965165820289778總體分類精度：(9417/9778)=96.3080%，Kappa=0.9548四、遙感影像的分類方法與實(shí)驗(yàn)分析平行六面體法最小距離法馬氏距離法最大似然法支持向量機(jī)傳統(tǒng)GMM自適應(yīng)GMMClass分類圖像草地林地長(zhǎng)江湖泊居民地裸地TotalUnclassified0000000草地92700000927林地0195701221962長(zhǎng)江0185769021948湖泊00332217312254居民地57541591861698裸地00726219181989Total90219659022293165820289778總體分類精度：(9467/9778)=96.8194%，Kappa=0.9610四、遙感影像的分類方法與實(shí)驗(yàn)分析平行六面體法最小距離法馬氏距離法最大似然法支持向量機(jī)傳統(tǒng)GMM自適應(yīng)GMMClass分類圖像草地林地長(zhǎng)江湖泊居民地裸地TotalUnclassified0000000草地92700000927林地0195601221961長(zhǎng)江0287359021955湖泊00222228312254居民地57541591861698裸地00216219181983Total93219659022293165820289778總體分類精度：(9493/9778)=97.0853%，Kappa=0.9643Page

48四、遙感影像的分類方法與實(shí)驗(yàn)分析4.3.1.3基于TM影像的分類方法對(duì)比分析TM影像各分類方法分類精度及Kappa系數(shù)四、遙感影像的分類方法與實(shí)驗(yàn)分析4.3.2Quickbird影像的分類實(shí)驗(yàn)漢陽(yáng)蓮花湖公園區(qū)域Quickbird影像432波段彩色合成圖像選取了長(zhǎng)江、湖泊、植被、裸地、道路和建筑物6種典型的樣本數(shù)據(jù)，構(gòu)建遙感影像的樣本空間。地物類型樣本容量顏色長(zhǎng)江2310紅湖泊2105綠植被2528藍(lán)裸地2248黃道路2089藍(lán)綠建筑物2548品紅四、遙感影像的分類方法與實(shí)驗(yàn)分析4.3.2Quickbird影像的分類實(shí)驗(yàn)四、遙感影像的分類方法與實(shí)驗(yàn)分析4.3.2.1基于Quickbird光譜信息的分類利用樣本空間的6類樣本進(jìn)行自適應(yīng)求取最佳高斯子分量數(shù)長(zhǎng)江3個(gè)高斯分量湖泊4個(gè)高斯分量植被8個(gè)高斯分量裸地6個(gè)高斯分量道路3個(gè)高斯分量建筑物5個(gè)高斯分量四、遙感影像的分類方法與實(shí)驗(yàn)分析平行六面體法最小距離法馬氏距離法最大似然法支持向量機(jī)傳統(tǒng)GMM自適應(yīng)GMMClass分類圖像長(zhǎng)江湖泊植被裸地道路建筑物TotalUnclassified003400640長(zhǎng)江2282000170152467湖泊01964003822004植被03412467015432074558裸地30029284138964240道路25027104765346226374建筑物0000000Total23102305252839752817574819683總體分類精度：(10294/19683)=52.2989%，Kappa=0.4413四、遙感影像的分類方法與實(shí)驗(yàn)分析平行六面體法最小距離法馬氏距離法最大似然法支持向量機(jī)傳統(tǒng)GMM自適應(yīng)GMMClass分類圖像長(zhǎng)江湖泊植被裸地道路建筑物TotalUnclassified0000000長(zhǎng)江22820009602378湖泊0230433601214613915植被0021290082137裸地30026183547503725道路141025871912712263建筑物11063109943436585265Total23102305252839752817574819683總體分類精度：(13710/19683)=69.6540%，Kappa=0.6280四、遙感影像的分類方法與實(shí)驗(yàn)分析平行六面體法最小距離法馬氏距離法最大似然法支持向量機(jī)傳統(tǒng)GMM自適應(yīng)GMMClass分類圖像長(zhǎng)江湖泊植被裸地道路建筑物TotalUnclassified0000000長(zhǎng)江22950009222326湖泊0219321601234553698植被00231200132325裸地00018962167822894道路01120326124517693452建筑物1500175311331074988Total23102305252839752817574819683總體分類精度：(13048/19683)=66.2907%，Kappa=0.5890四、遙感影像的分類方法與實(shí)驗(yàn)分析平行六面體法最小距離法馬氏距離法最大似然法支持向量機(jī)傳統(tǒng)GMM自適應(yīng)GMMClass分類圖像長(zhǎng)江湖泊植被裸地道路建筑物TotalUnclassified0000000長(zhǎng)江2284000002284湖泊02095003822135植被00252804262558裸地6002167953402608道路01950741245810824476建筑物20150106722242985622Total23102305252839752817574819683總體分類精度：(15830/19683)=80.4247%，Kappa=0.7596四、遙感影像的分類方法與實(shí)驗(yàn)分析平行六面體法最小距離法馬氏距離法最大似然法支持向量機(jī)傳統(tǒng)GMM自適應(yīng)GMMClass分類圖像長(zhǎng)江湖泊植被裸地道路建筑物TotalUnclassified0000000長(zhǎng)江2299001032303湖泊02264206222330植被0025260072533裸地0002586784433107道路033040523286903456建筑物118098334946035954Total23102305252839752817574819683總體分類精度：(16606/19683)=84.3672%，Kappa=0.8071四、遙感影像的分類方法與實(shí)驗(yàn)分析平行六面體法最小距離法馬氏距離法最大似然法支持向量機(jī)傳統(tǒng)GMM自適應(yīng)GMMClass分類圖像長(zhǎng)江湖泊道路植被建筑物裸地TotalUnclassified0000000長(zhǎng)江2298000302301湖泊02108340202144道路0141234507094083603植被0231625281502582建筑物1133378047979226141裸地1044022226452912Total23102305281725285748397519683總體分類精度：(16721/19683)=84.9515%，Kappa=0.8141四、遙感影像的分類方法與實(shí)驗(yàn)分析平行六面體法最小距離法馬氏距離法最大似然法支持向量機(jī)傳統(tǒng)GMM自適應(yīng)GMMClass分類圖像長(zhǎng)江湖泊道路植被建筑物裸地TotalUnclassified0000000長(zhǎng)江2296000502301湖泊02104360202142道路0174241108064683859植被0002526202528建筑物1427327247508715991裸地0043018326362862Total23102305281725285748397519683總體分類精度：(16723/19683)=84.9616%，Kappa=0.8145四、遙感影像的分類方法與實(shí)驗(yàn)分析4.3.2.2基于Quickbird光譜和紋理信息的分類利用樣本空間的6類樣本進(jìn)行自適應(yīng)求取最佳高斯子分量數(shù)長(zhǎng)江3個(gè)高斯分量湖泊4個(gè)高斯分量植被8個(gè)高斯分量裸地6個(gè)高斯分量道路3個(gè)高斯分量建筑物5個(gè)高斯分量四、遙感影像的分類方法與實(shí)驗(yàn)分析平行六面體法最小距離法馬氏距離法最大似然法支持向量機(jī)傳統(tǒng)GMM自適應(yīng)GMMClass分類圖像長(zhǎng)江湖泊植被裸地道路建筑物TotalUnclassified205197063195長(zhǎng)江227000015492433湖泊01959003721998植被0338243401248404060裸地00028672217443832道路388421099108748907164建筑物0010001Total23102305252839752817574819683總體分類精度：(10617/19683)=53.9399%，Kappa=0.4617四、遙感影像的分類方法與實(shí)驗(yàn)分析平行六面體法最小距離法馬氏距離法最大似然法支持向量機(jī)傳統(tǒng)GMM自適應(yīng)GMMClass分類圖像長(zhǎng)江湖泊植被裸地道路建筑物TotalUnclassified0000000長(zhǎng)江22810009502376湖泊0230433601213603913植被0021290082137裸地30026183537503724道路141025872212722267建筑物12063109943436585266Total23102305252839752817574819683總體分類精度：(13712/19683)=69.6642%，Kappa=0.6281四、遙感影像的分類方法與實(shí)驗(yàn)分析平行六面體法最小距離法馬氏距離法最大似然法支持向量機(jī)傳統(tǒng)GMM自適應(yīng)GMMClass分類圖像長(zhǎng)江湖泊植被裸地道路建筑物TotalUnclassified0000000長(zhǎng)江228200456312733042湖泊02285218161041143574植被0023030052308裸地00023911578483396道路19200193143515753242建筑物90791915330334121Total23102305252839752817574819683總體分類精度：(13729/19683)=69.7505%，Kappa=0.6338四、遙感影像的分類方法與實(shí)驗(yàn)分析平行六面體法最小距離法馬氏距離法最大似然法支持向量機(jī)傳統(tǒng)GMM自適應(yīng)GMMClass分類圖像長(zhǎng)江湖泊植被裸地道路建筑物TotalUnclassified0000000長(zhǎng)江2276000002276湖泊02098003822138植被0025270432534裸地0002613274103050道路0191040025189284037建筑物3416196223044055648Total23102305252839752817574819683總體分類精度：(16437/19683)=83.5086%，Kappa=0.7971四、遙感影像的分類方法與實(shí)驗(yàn)分析平行六面體法最小距離法馬氏距離法最大似然法支持向量機(jī)傳統(tǒng)GMM自適應(yīng)GMMClass分類圖像長(zhǎng)江湖泊植被裸地道路建筑物TotalUnclassified0000000長(zhǎng)江2299000052304湖泊02253205722314植被0025250072532裸地0002706234543183道路044028723645523247建筑物118198237347286103Total23102305252839752817574819683總體分類精度：(16875/19683)=85.7339%，Kappa=0.8237四、遙感影像的分類方法與實(shí)驗(yàn)分析平行六面體法最小距離法馬氏距離法最大似然法