遗传算法 (GA) 和布谷鸟搜索优化 (CSO) 的组合，用于分类精度最大化中的特征选择。 我没有使用 Levy 飞行，而是使用 GA 品种和变异进行布谷鸟更新。 我在代码中使用了朴素贝叶斯分类，但您可以将其替换为任何其他分类器。

遥感图像分类的应用在遥感图像研究中具有重要意义。为了提高高光谱遥感图像分类精度，本文提出了基于多特征融合的高光谱遥感分类方法。该方法将图像的空间特征和光谱特征归一融合，然后使用AdaBoost分类器集成算法对特征进行分类。首先，该方法使用主成分分析对高光谱数据降维，并提取图像的纹理特征和直方图特征，然后将三种特征归一化；最后使用AdaBoost集成分类方法对高光谱遥感数据分类。实验结果表明，相比于单个特征分类，该方法可取得较高的分类精度。

1.课程设计目的 2.数据介绍 3.实验步骤 3.1几何校正 3.2影像裁剪 3.3监督分类 3.4分类器选择 3.5分类后处理 3.6精度验证 3.7土地利用专题图 3.8土地利用变化图 3.9计算NDVI归一化植被指数与植被覆盖度FV 4.实验小结与感想 5.附录用图

遥感图像分类是图像分析的重要步骤,其中分类后精度评定是判定图像分类效果的主要依据。目前,面向对象分类的精度评定常采用随机验证点作为评定参数,这样容易造成评定的分类结果精度不高。提出基于规则验证点的面向对象的分类精度评价方法,在使用支持向量机、CART(classification and regression tree)决策树和K最近邻进行分类的基础上,分别采用基于规则验证点和随机验证点的方法对分类结果进行精度评定。实验结果表明,所提出的方法比传统的基于随机验证点的方法得到的分类精度更高。三种分类方法在规则验证点下的最优总体分类精度分别达到了87.92%、91.94%和94.63%,均优于基于随机验证点的方法的精度评定结果。

用最大似然分类（随机抽样，分层随机抽样），并计算整体精度，KAPPA精度，用户者精度 和生产者精度。

利用不同样本选择方法进行变化检测实验的结果的好坏是通过与对应的精标准图像——GroundTruth进行相似度衡量而得到的。 总体分类精度OA（Overall Accuracy）是指正确分类的像素点数与总的像素点数的比值，是一种常用的衡量变化检测结果的指标， Kappa系数是一种能更加精确衡量分类准确度的参数，能较好的反映出两者的一致性，