使用一类分类器从GF-1影像中提取城市不透水面
计算机视觉与模式识别
2017-05-16 v1 计算机与社会
摘要
不透水面面积是城市化的直接结果，也在城市规划与环境管理中起着重要作用。随着遥感技术的快速发展，通过高空间分辨率(HSR)影像监测城市不透水面近来引起了前所未有的关注。传统的多类模型对于不透水面提取是低效的，因为它需要详尽地标注图像中出现的所有需要的和不需要的类别。因此，我们需要寻找一种可靠的一类模型，以在不标注其他类别的情况下分类一种特定的土地覆盖类型。在本研究中，我们考察了几种一类分类器，如Presence and Background Learning (PBL)、Positive Unlabeled Learning (PUL)、OCSVM、BSVM和MAXENT，利用中国新一代高空间遥感卫星GF-1的高空间分辨率影像提取城市不透水面面积，并基于人工解译结果评估分类精度。与传统多类分类器(ANN和SVM)相比，实验结果表明PBL和PUL提供了更高的分类精度，与ANN模型提供的精度相似。同时，PBL和PUL优于OCSVM、BSVM、MAXENT和SVM模型。因此，一类分类器仅需要一小部分特定样本来训练模型而不损失预测精度，这应在城市不透水面提取或其他特定土地覆盖类型上获得更多关注。
关键词
引用
@article{arxiv.1705.04824,
title = {Extracting urban impervious surface from GF-1 imagery using one-class classifiers},
author = {Yao Yao and Jialv He and Jinbao Zhang and Yatao Zhang},
journal= {arXiv preprint arXiv:1705.04824},
year = {2017}
}