Please wait a minute...
img

官方微信

遥感技术与应用  2008, Vol. 23 Issue (3): 341-345    DOI: 10.11873/j.issn.1004-0323.2008.3.341
图像处理     
基于SVM的SAR图像分类研究
汤井田1,胡丹1,龚智敏2
(1.中南大学信息物理工程学院,湖南 长沙 410083;
2.武汉科技大学资源环境工程学院,湖北 武汉 430000)
Study of Classification by Support Vector Machine on Synthetic Aperture Radar Image
TANG Jing-tian1,HU Dan1,GONG Zhi-min2
(1.Physical Information Engineering College of Central South University,Changsha 410083,China;2.Environment and Resource College of Wuhan University of Science and Technology,Wuhan 410083,China)
 全文: PDF(734 KB)  
摘要:

支持向量机(SVM)是一种卓越的分类方法,灰度共生矩阵(GLCM)则是一种很好的纹理分析方法,而纹理是合成孔径雷达(SAR)图像分类的一个重要特征,故而提出了一种使用灰度共生矩阵进行特征提取的应用支持向量的SAR图像分类法。实验结果证明了支持向量机算法的可行性和有效性。

关键词: 支持向量机灰度共生矩阵特征提取纹理分类SAR图像    
Abstract:

Support Vector Machine (SVM) has excellent performance in classification.The Gray Level Co-occurrence Matrix (GLCM) is a promising method for texture analysis.Texture is an important feature in Synthetic Aperture Radar (SAR) image.So the arithmetic of texture classification by SVM was investigated, using GLCM to extract features.Compared to the method using image's gray information directly for SVM classifying, the experimental results show the feasibility and effectiveness of the new method.

Key words: Hyperspectrum    Larch canopy    Photosynthetic pigment content    Health    Regression model
收稿日期: 2007-11-10 出版日期: 2011-10-25
:  TP 391  
作者简介: 汤井田(1965-):男,教授,博士生导师,主要从事电磁场理论和应用研究。E-mail:jttang@mail.csu.edu.cn。
服务  
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章  

引用本文:

汤井田,胡丹,龚智敏. 基于SVM的SAR图像分类研究[J]. 遥感技术与应用, 2008, 23(3): 341-345.

TANG Jing-tian,HU Dan,GONG Zhi-min. Study of Classification by Support Vector Machine on Synthetic Aperture Radar Image. Remote Sensing Technology and Application, 2008, 23(3): 341-345.

链接本文:

http://www.rsta.ac.cn/CN/10.11873/j.issn.1004-0323.2008.3.341        http://www.rsta.ac.cn/CN/Y2008/V23/I3/341

[1] Vapnik V.The Nature of Statistical Learning Theory[M].New York:Springer-Verlag,1995.
[2] Hu F Y, Zhang Y N, Xue X R,etal.A Classification Methodfor SAR Image Based on Tree Wavelet and Gray-level CoOccurance Matrix [J]. Systems Engineering and Electronics.2003,25(10):1286-1288.[胡伏原,张艳宁,薛笑荣,等.基于树型小波和灰度共生矩阵的SAR图像分类[J].系统工程与电子技术,2003,25(10):1286-1288.]
[3] Li Y, Ruan Q Q.Texture Classification by Support VectorMachines[J].Journal on Communications,2005,26(1):114-119.[李毅,阮秋琦.应用支持向量机的纹理分类[J].通信学报,2005,26(1):114-119.]
[4] Bo H,Ma F L,Jiao L C.Research on Computation of GLCMof Image Texture[J].Acta Electronica Sinica,2006,34(1):55-59.[薄华,马缚龙,焦李成.图像纹理的灰度共生矩阵计算问题的分析[J].电子学报,2006,34(1):55-159.]
[5] Zhang S Y,Zhao Y M,Li J L.Algorithm and Implementationof Image Classification Based on SVM[J].Computer Engineering and Applications,2007,43(25):40-42[张淑雅,赵一鸣,李均利.基于SVM的图像分类算法与实现[J].计算机工程与应用,2007,43(25):40-42.]
[6] Wang L S,Ou Z Y, Zhu Y C,et al.Classifying Images withSVM Method[J] Computer Applications and Software,2005,22(5):98-100.[王亮申,欧宗瑛,朱玉才,等.基于SVM的图像分类[J].计算机应用与软件,2005,22(5):98-100.]
[7] Xin X H,Guo J X,Xie Z,et al.A Method of Classification forTexture Images Based on Support Vector Machine [ J].
Hydrolic Surveying and Charting,2005,25(2):41-43.[辛宪会,郭建星,解志,等.一种基于支持向量机的纹理图像分类法[J].海洋测绘,2005,25(2):41-43.]
[8] Feng J H, Yang Y J. Study of Texture Images ExtractionBased on Gray Level Co-Occurence Matrix[J].Beijing Surveying and Mapping,2007,3:19-22.[冯建辉,杨玉静.基于灰度共生矩阵提取纹理特征图像研究[J].北京测绘,2007,3:19-22.]
[9] Haralick R M.Statistical and Structural Approaches to Texture[J].Proceeding of IEEE,1957,67(5):786-804.
[10] Ban Y,Treitz P M,Howarth P J,etal.Improving the Accuracy of Synthetic Aperture Radar Analysis for Agricultural
Crop Classification[J].Canadian Journal of Remote Sensing,1995,21(2):158-165.
[11] Fang S H,Zhu W.Classification of SAR Using Muti-polarmetric and Texture Image[J].Bulletin of Surveying and Mapping,2001,10:12-14.[方圣辉,朱武.辅以纹理特征的SAR图像分类研究[J].测绘通报,2001,10:12-14.] 

[1] 杨朦朦,汪汇兵,欧阳斯达,范奎奎,戚凯丽. 基于双树复小波分解的BP神经网络遥感影像分类[J]. 遥感技术与应用, 2018, 33(2): 313-320.
[2] 熊伟,徐永力,姚力波,崔亚奇. 基于SVM的高分辨率SAR图像舰船目标检测算法[J]. 遥感技术与应用, 2018, 33(1): 119-127.
[3] 陈洋波,张涛,窦鹏,董礼明,陈华. 基于SVM的东莞市土地利用/覆被自动分类误差来源与后处理[J]. 遥感技术与应用, 2017, 32(5): 893-903.
[4] 史飞飞,高小红,杨灵玉,何林华,贾伟. 基于HJ-1A高光谱遥感数据的湟水流域典型农作物分类研究[J]. 遥感技术与应用, 2017, 32(2): 206-217.
[5] 胡根生,吴问天,黄文江,梁栋,黄林生. 粒子群优化的最小二乘支持向量机在小麦白粉病监测中的应用[J]. 遥感技术与应用, 2017, 32(2): 299-304.
[6] 鲍蕊,夏俊士,薛朝辉,杜培军,车美琴. 基于形态学属性剖面的高光谱影像集成分类[J]. 遥感技术与应用, 2016, 31(4): 731-738.
[7] 张明哲,张红,王超,刘萌,谢镭. 基于超像素分割和多方法融合的SAR 图像变化检测方法[J]. 遥感技术与应用, 2016, 31(3): 481-487.
[8] 李婷,程博,尤淑撑. 基于半监督鉴别分析的高分辨率SAR影像建筑区提取[J]. 遥感技术与应用, 2016, 31(2): 239-246.
[9] 赵玉,王红,张珍珍. 基于遥感光谱和空间变量随机森林的黄河三角洲刺槐林健康等级分类[J]. 遥感技术与应用, 2016, 31(2): 359-367.
[10] 徐旭,张风丽,王国军,符喜优,沙敏敏,李志坤,邵芸,陈龙永,梁兴东. 基于高亮特征匹配的双视向SAR图像建筑物高度提取[J]. 遥感技术与应用, 2016, 31(1): 149-156.
[11] 林志垒,晏路明. 高光谱影像的BDT-SVM地物分类算法与应用[J]. 遥感技术与应用, 2016, 31(1): 177-185.
[12] 尹小君,张清,赵庆展,汪传建,宁川. 基于SVM的加工番茄细菌性斑点病氮素含量反演[J]. 遥感技术与应用, 2015, 30(3): 461-468.
[13] 周艳飞,张绘芳,李霞,杨帆,丁程锋. 基于高分辨遥感数据的胡杨与柽柳树冠提取[J]. 遥感技术与应用, 2015, 30(3): 510-517.
[14] 朱贺,李臣明,张丽丽,沈洁. 融合图模型及形态模型的SAR图像中河道提取[J]. 遥感技术与应用, 2015, 30(2): 337-344.
[15] 蒋少峰,王超,吴樊,张波,汤益先,张红. 基于结构特征分析的COSMO-SkyMed图像商用船舶分类算法[J]. 遥感技术与应用, 2014, 29(4): 607-615.