 可据实际情况而定，在此定为0.01。  为限值为 时，自由度为  的卡方分布的倒数。
2.3硬分类和软分类
特征选择结束以后，获得了  个参与分类的特征，  个  参数值也确定出来了。任意给一个像元x，都可以通过（2）式计算得出它属于某一类  的概率  。每个像元对应的这些概率值可以反映这个像元所属的可能的类，然后可以在此基础上进行软分类，即一个像元可能同时包含不止一类的地物，应将其同时分到对应的几类中去。现在比较流行的分类方法有神经网络法 [9] ，模糊C－均值聚类法 [10] ，可能性C-均值聚类 [11] 和决策树回归法 [12] 等。我们的研究成果也证明了NLR也法可以作为软分类的一种方式。所谓的硬分类方法即直接选择像元取概率为最大时对应的类。
3实验结果
我们分别将LR法用于多光谱和高光谱遥感影像来证明其有效性。发表论文。作为比较，我们同时也采用线性判别分析（LDA）法对这些数据进行分类。在使用LDA法时,我们采用Wilks’lambda值来评价分类效果。Wilks’ lambda值即为类内散度与类间散度之比。其值属于[0,1]。对于某一类，Wilks’lambda值越小，说明此类对分类判别函数的贡献越大。每进行一步选择，都选出Wilks’lambda值最小的子集。Wilks’ lambda的最小化可以保证数据总体分布最广，且每类的分布最集中。
3.1 多光谱图像数据的特征选择和分类
实验采用增强型专题成像仪（ETM＋）的图像。发表论文。实验场景221×237。图像覆盖一部分海面,中心为一片建筑，外围主要为植被。我们选择了空间分辨率为30米的6个波段（包括热红外波段和全色波段），在此基础上，将图象分为五个地物类（树林、草地、土壤、水系及建筑）。现有一幅空间分辨率为0.6米的数字影像作为参考图像，所以我们可以得到每个Landsat ETM+图像像元中各类所占的比例。这样，我们可以将混合像元和纯像元分到各类中，分类结果见表1。从中每类任选300个像元作为训练和检查的样本数据（由于土壤类的数据有限，所以只选了100个像元作为样本）。共抽取了10组这样的样本。
表 1 LANDSAT ETM+ 图像上的纯像元和混合像元数总数
|
纯像元 |
混合像元 |
总数 |
| 树林 |
109 |
16050 |
16159 |
| 草地 |
409 |
9956 |
10365 |
| 土壤 |
99 |
163 |
262 |
| 水系 |
3060 |
265 |
3325 |
| 建筑 |
1973 |
40183 |
42156 |
用NLR法对这10组样本数据进行特征选取。是否加入波段的限值为  ＝
13.28，其中自由度为4。实验结果表明波段3和波段6没有被选为特征波段。也就是说它们在分类的过程中没有起到很大的作用，所以它们中的一个波段可以不参加分类过程。
采用同样的数据，逐步用LDA法进行实验。每选择一次特征都要进行一次特征的移除。
特征进入检验时F的最大显著性值和移去检验时F的最小显著性值都设为0.01。当模型中所有的特征都满足保留的条件并且没有其他的特征满足进入的条件时这个选择特征的过程结束。实验结果表明，所有的特征都被选为分类模型的特征，即在此次实验中LDA法没能减小数据的维数。
3/5 首页 上一页 1 2 3 4 5 下一页 尾页 |
