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、緒論高光譜高時相分辨率高空間三高三多多傳感器多角度多平臺遙感圖像的自動化信息提取是長期的遙感科學(xué)難題，而遙感圖像的分類是遙感信息自動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)用于各個領(lǐng)域，如作物育種、圖像處理、語音識別等，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?；旌细怕誓Ｐ偷倪b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)計的方法。近年來，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主要研究內(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題出發(fā)，采用高斯混合模型研究遙感影像的分類問題，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別方法，具有形式靈活、識別速度快、抗干擾能力強(qiáng)、識別準(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表示，將一個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的一個實(shí)例概率密度函數(shù)由M個成份構(gòu)成每個子要素內(nèi)服從均值為μi方差為∑i的高斯分布通過使概率函數(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正態(tài)分布的參數(shù)。為了使問題簡化，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來表示每一個高斯分布，假定可以觀察到Z，問題變?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)果值來計算似然函數(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：提供一個簡單的迭代算法計算后驗(yàn)密度函數(shù)，它的最大優(yōu)點(diǎn)是簡單和穩(wěn)定，但容易陷入局部最優(yōu)，它最后的精度對其初始化參數(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模擬數(shù)值實(shí)驗(yàn)來比較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：通過當(dāng)前估值φ0來計算輔助函數(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，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??)，所對應(yīng)的??Δ，k是最佳的參數(shù)估計值。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)果分析與評價四、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的特征，它反映了物體表面顏色和灰度的某種變化，對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，即通過計算每個像元的紋理特性選取不同的先驗(yàn)概率達(dá)到對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個高斯分量林地4個高斯分量長江3個高斯分量湖泊3個高斯分量居民地4個高斯分量裸地3個高斯分量四、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江湖泊居民地裸地TotalUnclassified7021465694草地8591128001852010林地2116200001164長江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江湖泊居民地裸地TotalUnclassified0000000草地855154007561072林地34213401302172長江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江湖泊居民地裸地TotalUnclassified0000000草地727271009351042林地153201304642180長江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江湖泊居民地裸地TotalUnclassified0000000草地854130010211006林地37215500002192長江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江湖泊居民地裸地TotalUnclassified0000000草地875134003181030林地21215601002178長江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江湖泊居民地裸地TotalUnclassified0000000草地93100000931林地0195701221962長江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江湖泊居民地裸地TotalUnclassified0000000草地93100000931林地0195701221962長江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個高斯分量林地3個高斯分量長江1個高斯分量湖泊2個高斯分量居民地4個高斯分量裸地2個高斯分量四、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江湖泊居民地裸地TotalUnclassified12123211078145草地8551128001852006林地1116100001162長江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江湖泊居民地裸地TotalUnclassified0000000草地8561400010581064林地31214801302183長江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江湖泊居民地裸地TotalUnclassified0000000草地706193011133944林地176208704452276長江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江湖泊居民地裸地TotalUnclassified0000000草地83410602023965林地56217900002235長江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江湖泊居民地裸地TotalUnclassified0000000草地8679501521989林地30219500302228長江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江湖泊居民地裸地TotalUnclassified0000000草地92700000927林地0195701221962長江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江湖泊居民地裸地TotalUnclassified0000000草地92700000927林地0195601221961長江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)漢陽蓮花湖公園區(qū)域Quickbird影像432波段彩色合成圖像選取了長江、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)長江3個高斯分量湖泊4個高斯分量植被8個高斯分量裸地6個高斯分量道路3個高斯分量建筑物5個高斯分量四、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分類圖像長江湖泊植被裸地道路建筑物TotalUnclassified003400640長江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分類圖像長江湖泊植被裸地道路建筑物TotalUnclassified0000000長江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分類圖像長江湖泊植被裸地道路建筑物TotalUnclassified0000000長江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分類圖像長江湖泊植被裸地道路建筑物TotalUnclassified0000000長江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分類圖像長江湖泊植被裸地道路建筑物TotalUnclassified0000000長江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分類圖像長江湖泊道路植被建筑物裸地TotalUnclassified0000000長江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分類圖像長江湖泊道路植被建筑物裸地TotalUnclassified0000000長江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)長江3個高斯分量湖泊4個高斯分量植被8個高斯分量裸地6個高斯分量道路3個高斯分量建筑物5個高斯分量四、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分類圖像長江湖泊植被裸地道路建筑物TotalUnclassified205197063195長江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分類圖像長江湖泊植被裸地道路建筑物TotalUnclassified0000000長江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分類圖像長江湖泊植被裸地道路建筑物TotalUnclassified0000000長江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分類圖像長江湖泊植被裸地道路建筑物TotalUnclassified0000000長江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分類圖像長江湖泊植被裸地道路建筑物TotalUnclassified0000000長江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