[论文解读] Supervised Classification Performance of Multispectral Images

K. Perumal, R. Bhaskaran|arXiv (Cornell University)|Feb 22, 2010

Remote-Sensing Image Classification参考文献 9被引用 153

一句话总结

本文评估了多种算法在多光谱图像监督分类中的性能，重点关注时空数据维度增加的影响。研究发现，马氏距离分类器在分类准确率方面优于其他方法，证明其在数据复杂性不断提高的遥感数据分析中具有有效性。

ABSTRACT

Nowadays government and private agencies use remote sensing imagery for a wide range of applications from military applications to farm development. The images may be a panchromatic, multispectral, hyperspectral or even ultraspectral of terra bytes. Remote sensing image classification is one amongst the most significant application worlds for remote sensing. A few number of image classification algorithms have proved good precision in classifying remote sensing data. But, of late, due to the increasing spatiotemporal dimensions of the remote sensing data, traditional classification algorithms have exposed weaknesses necessitating further research in the field of remote sensing image classification. So an efficient classifier is needed to classify the remote sensing images to extract information. We are experimenting with both supervised and unsupervised classification. Here we compare the different classification methods and their performances. It is found that Mahalanobis classifier performed the best in our classification.

研究动机与目标

• 解决传统分类算法在处理现代遥感数据日益增长的时空维度方面的局限性。
• 评估并比较多种监督分类算法在多光谱图像上的性能。
• 识别在数据密集型场景下用于高精度遥感图像分类的最有效分类器。
• 支持开发高效、高精度的分类系统，应用于农业、国防和环境监测等领域。

提出的方法

• 本研究在多光谱遥感图像上应用了一系列监督分类算法。
• 通过标准评估指标比较性能，重点关注分类准确率。
• 基于其能够考虑多变量数据的协方差结构，应用马氏距离分类器。
• 分析包括监督与非监督分类方法的对比评估。
• 假设数据预处理和特征表示为多光谱图像分类的标准流程。
• 通过真实多光谱图像数据集的实证结果评估性能。

实验结果

研究问题

• RQ1 在数据复杂性增加的情况下，哪种监督分类算法在多光谱图像上表现最佳？
• RQ2 传统分类方法在应对高维遥感数据的现代需求时表现如何？
• RQ3 协方差结构在提升多光谱数据分类准确率方面发挥什么作用？
• RQ4 马氏距离分类器能否有效处理现代遥感图像的时空维度？

主要发现

• 马氏距离分类器在所有测试方法中实现了最高的分类准确率。
• 随着遥感数据时空维度的增加，传统分类算法的有效性显著降低。
• 在本数据集中，监督分类方法在精度和可靠性方面优于非监督方法。
• 随着数据维度的提高，不同分类器之间的性能差距更加明显。