Page 171 - 测绘新技术的理论与实践研究

第五章 多源遥感数据获取技术研究

引入遥感图像分类，实验显示在有林地、桑园、茶园、旱地等地物的提取上，

Kohoncn 神经网络比 BP 神经网络的精度要高，而水体、居民地等地物的提取，
二者精度相差不大。
②支持向量机。支持向量机是多名学者提出的一类新型的机器学习算法。由
于其出色的学习性能尤其是泛化能力，从而引起了人们对这一领域的极大关注。

研究提取水体、植被、居民地等典型地物，基于 SVM 进行初始提取，再综合考
虑地物的灰度、光谱和几何特征，地物的提取精度得到明显提高。结合灰度共生
矩阵（GLCM）和支持向量机（SVM）的方法实现检测 SAR 图像中水体信息。
不少学者都是将支持向量机的方法引入遥感光学图像分类，基于极化 SAR 数据

采用支持向量机对样本进行选择和训练，并对图像进行分类。上述实验表明，基
于支持向量机的方法可以显著地提高遥感图像的地物提取精度和分类效率。
（2）深度学习
浅层学习模型有很多局限性：在有限样本和计算单元情况下对复杂函数的表

示能力有限，针对复杂分类问题其泛化能力受到一定的制约。更重要的是，浅层
模型需要依靠人工来抽取样本的特征。然而，手工地选取特征是一件非常费力的
事情，能不能选取好很大程度上靠经验和运气。但是神经网络在层次深的情况下，
求解容易陷入局部最优，且这种情况随着网络层数的增加而更加严重。

深度学习通过学习一种深层非线性网络结构，只需简单的网络结构即可实现
复杂函数的逼近，并展现了强大的从大量无标注样本集中学习数据集本质特征的
能力。深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练
数据，来学习更有用的特征，从而最终提升分类或预测的准确性。区别于传统的

浅层学习，深度学习的不同在于：一是强调了模型结构的深度，通常有 5 层、6 层，
甚至 10 多层的隐层节点：二是明确突出了特征学习的重要性，也就是说，通过
逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类
或预测更加容易。与人工规则构造特征的方法相比，利用大数据来学习特征，更

能够刻画数据的丰富内在信息。

159