基于相关向量机的高光谱影像分类研究

虽然支持向量机在高光谱影像分类得到成功应用,但是它自身固有许多不足之处。相关向量机是在贝叶斯框架下提出的更加稀疏的学习机器,它没有规则化系数,其核函数不需要满足Mercer条件,不仅具备良好的泛化能力,而且还能够得到具有统计意义的预测结果。本文从分析支持向量机用于高光谱影像分类存在的不足出发,提出了一种基于相关向量机的高光谱影像分类方法,介绍了稀疏贝叶斯分类模型,将相关向量机学习转化为最大化边缘似然函数估计问题,并采用了快速序列稀疏贝叶斯学习算法。通过PHI和OMIS影像分类实验分析表明了基于相关向量机的高光谱影像分类方法的优越性。     

高光谱影像信息向量机分类

信息向量机是一种基于贝叶斯理论的稀疏高斯过程方法,其模型训练速度快、内存耗费小、稀疏性强,具有良好的预测性能。本文从高斯过程回归模型出发,提出了一种基于信息向量机的高光谱影像分类方法,针对高斯过程分类中的非高斯噪声模型,采用假定概率滤波算法将分类问题转化为回归问题,通过最大化边缘似然函数进行模型训练,选择活动子集中的信息向量数量达到了稀疏的目的。通过ROSIS影像试验,表明了基于信息向量机的高光谱影像分类方法的优势。     

有限样本类别城市高光谱数据SVM分类应用分析

对比分析线性核函数和非线性核函数支持向量机算法在样本类别不足情况下城市高光谱影像分类中的应用。选用张掖地区高光谱影像作为试验区,依据高分影像和地面调研信息获取参考样本数据,利用非线性核函数和线性核函数的支持向量机进行影像分类,获取每一类别的分类后验概率图,对分类后验概率图采用0.2,0.4,0.6,0.8,0.9的后验概率截断,分析不同截断概率下的地物分类精度变化情况,结果表明：线性核函数和非线性核函数SVM方法的结论相似,随着截断概率的增加,分类结果中用户精度提高或保持稳定,制图精度下降或保持稳定,总体分类精度先提高后降低,但波动幅度不大。所以,SVM的后验概率可以用于指导类别不足时城市高光谱影像的分类。通过分析各类地物的混淆矩阵,可知,非线性核函数的SVM方法比线性核函数SVM方法更敏感,在低后验概率下就可以准确提取出未分类信息,而线性核函数SVM在高后验概率下才能提取出未分类信息,而且还混入了许多训练过的类别信息。所以,非线性核函数SVM方法的分类精度更稳定,利用后验概率提取未分类信息的可信度更高。     

有限样本类别城市高光谱数据SVM分类应用分析北大核心CSCD

对比分析了线性核函数和非线性核函数支持向量机(SVM)算法在样本类别不足情况下城市高光谱影像分类中的应用。选用甘肃张掖地区高光谱影像作为试验区,依据高分影像和地面调研信息获取参考样本数据,利用非线性核函数和线性核函数的支持向量机进行影像分类,获取每一类别的分类后验概率图,并对分类后验概率图采用0.2、0.4、0.6、0.8、0.9的后验概率截断,分析了不同截断概率下的地物分类精度变化情况。结果表明,线性核函数和非线性核函数SVM方法的结论相似,随着截断概率的增加,分类结果中用户精度提高或保持稳定,制图精度下降或保持稳定,总体分类精度先提高后降低,但波动幅度不大。因此,SVM的后验概率可以用于指导类别不足时城市高光谱影像的分类。通过分析各类地物的混淆矩阵可知,非线性核函数的SVM方法比线性核函数SVM方法更敏感,在低后验概率下就可以准确提取出未分类信息,而线性核函数SVM在高后验概率下才能提取出未分类信息,而且还混入了许多训练过的类别信息。非线性核函数SVM方法的分类精度更稳定,利用后验概率提取未分类信息的可信度更高。     

一种基于输入向量机的高光谱影像分类算法

支持向量机分类方法存在惩罚系数需要交叉验证获取、训练时间较长、支持向量个数随着训练样本数量的变化而变化,以及稳定性和稀疏性较差等问题。针对这些问题,提出了一种基于输入向量机的高光谱影像分类算法。该算法在核逻辑回归模型的基础上,采用前向贪心算法选择训练样本中的输入向量来进行模型的训练,达到稀疏的目的,提高影像的分类精度和分类效率。通过PHI和OMIS两组高光谱影像分类实验,结果表明基于输入向量机分类算法具有稳定性好、稀疏性强的优点。     

一种基于纹理和光谱特征的高光谱影像信息向量机分类方法

针对高光谱影像中空间特征信息利用不足的问题,提出了一种基于纹理和光谱特征的高光谱影像信息向量机分类方法。该方法首先采用三维Gabor滤波器对高光谱影像数据立方体进行纹理特征提取,提取后的影像数据同时具有光谱和纹理特征,避免了传统纹理特征提取带来的高维特征和光谱不连续的问题;然后采用分类精度和效率都较高的信息向量机进行分类处理。通过AVIRIS高光谱影像实验,结果表明该方法不仅提高了影像的分类精度,而且还消除了分类结果图中的类别噪声现象。     

面向高光谱影像分类的显著性特征提取方法

针对高光谱影像分类问题，提出了一种显著性特征提取方法。首先，利用超像素分割算法将高光谱影像3个相邻波段分割为若干个小区域。然后，基于分割得到的小区域计算反映不同区域的显著性特征。最后，沿着光谱方向采用大小为3、步长为1的滑窗法获得所有波段的显著性特征。进一步将提取的显著性特征与光谱特征进行结合，并将结合后的特征输入到支持向量机中进行分类。利用Pavia大学、Indian Pines和Salinas 3组高光谱影像数据进行分类试验。试验结果表明，与传统的空间特征提取方法和基于卷积神经网络的高光谱影像分类方法相比，提取的显著性特征能够获得更高的高光谱影像分类精度，且结合光谱特征能够进一步提高分类精度。     

基于支持向量机的高光谱遥感分类进展

支持向量机作为一种最新的也是最有效的统计学习方法,近年来成为模式识别与机器学习领域一个新的研究热点。支持向量机因其适用高维特征、小样本与不确定性问题的优越性,是一种极具潜力的高光谱遥感分类方法。在分析基于支持向量机的高光谱遥感影像分类进展的基础上,对若干需要进一步研究的问题包括多类分类策略、训练样本与特征空间优化、不确定性控制、核函数选择与优化等进行探讨。     

高光谱影像光谱-空间多特征加权概率融合分类

提出了一种基于光谱-空间多特征加权概率融合的高光谱影像分类方法。首先,利用最小噪声分离(minimum noise fraction,MNF)方法对高光谱影像进行降维和特征提取,并以得到的MNF特征影像作为光谱特征,联合灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取的纹理特征、基于OFC算子建立的多尺度形态学特征以及采用连续最大角凸锥(sequential maximum angle convex cone,SMACC)提取的端元组分特征,组成3组光谱-空间特征;然后利用支持向量机(support vector machine,SVM)对每一组光谱-空间特征进行分类,得到每组特征的概率输出结果;最后,建立多特征加权概率融合模型,应用该模型将不同特征的概率输出结果进行加权融合,得到最终分类结果。为了验证该方法的有效性,利用ROSIS和 AVIRIS影像进行试验,总体分类精度分别达到97.65%和96.62%。结果表明本文的方法不但较好地克服了传统基于单一特征高光谱影像分类的局限性,而且其分类效果也优于常规矢量叠加(vector stacking,VS)和概率融合的多特征分类方法,有效地改善了高光谱影像的分类结果。     

关联向量机在高光谱影像分类中的应用

将关联向量机应用于高光谱影像分类, 实现高维空间中训练样本不足时分类器的精确建模。从稀疏贝叶 斯理论出发, 分析关联向量机原理, 探讨一对多、一对一和两种直接的多分类方法。实验环节比较了各种多分类方 法, 并从精度、稀疏性两方面将关联向量机与支持向量机等经典算法比较。实验结果表明, 两种直接的多分类方法 内存占用大、效率低; 一对多精度最高, 但效率较低; 一对一计算效率最高, 精度与一对多近似。关联向量机精度 不如支持向量机, 但解更稀疏, 测试样本较多时实时性好, 适合处理大场景高光谱影像的分类问题。     

Hyperspectral Image Classification Using Relevance Vector Machines

This letter presents a hyperspectral image classification method based on relevance vector machines (RVMs). Support vector machine (SVM)-based approaches have been recently proposed for hyperspectral image classification and have raised important interest. In this letter, it is genuinely proposed to use an RVM-based approach for the classification of hyperspectral images. It is shown that approximately the same classification accuracy is obtained using RVM-based classification, with a significantly smaller relevance vector rate and, therefore, much faster testing time, compared with SVM-based classification. This feature makes the RVM-based hyperspectral classification approach more suitable for applications that require low complexity and, possibly, real-time classification.     

A support vector machine classifier based on a new kernel function model for hyperspectral data

The kernel function is a key factor to determine the performance of a support vector machine (SVM) classifier. Choosing and constructing appropriate kernel function models has been a hot topic in SVM studies. But so far, its implementation can only rely on the experience and the specific sample characteristics without a unified pattern. Thus, this article explored the related theories and research findings of kernel functions, analyzed the classification characteristics of EO-1 Hyperion hyperspectral imagery, and combined a polynomial kernel function with a radial basis kernel function to form a new kernel function model (PRBF). Then, a hyperspectral remote sensing imagery classifier was constructed based on the PRBF model, and a genetic algorithm (GA) was used to optimize the SVM parameters. On the basis of theoretical analysis, this article completed object classification experiments on the Hyperion hyperspectral imagery of experimental areas and verified the high classification accuracy of the model. The experimental results show that the effect of hyperspectral image classification based on this PRBF model is apparently better than the model established by a single global or local kernel function and thus can greatly improve the accuracy of object identification and classification. The highest overall classification accuracy and kappa coefficient reached 93.246% and 0.907, respectively, in all experiments.     

基于支持向量回归的高光谱影像目标探测

高光谱影像目标探测可视为一个分类问题,本文通过揭示支持向量回归(SVR)与支持向量分类(SVC)之间的关系,证明了SVR用于分类的可行性,并以此为根据提出了一种基于SVR的目标探测算法,该算法利用虚拟维数得到端元个数的估计,结合端元选择和线性混合模型生成训练样本替代从影像中选择的训练样本,因而减少了对影像先验知识的依赖。采用模拟数据和由AVIRIS获得的高光谱影像对本文算法进行了检验,结果令人满意。     

支持向量机在MODIS影像分类中的方法研究

支持向量机是一种基于统计理论的机器学习算法,在解决小样本、非线性及高维模式识别中有独特的优势。本文基于MODIS数据的高维特征,采用支持向量机算法对MODIS数据进行分类,并对其在MODIS影像分类中的方法进行了研究,指出了支持向量机分类方法的优越性。     

高光谱影像的DAE分类

针对高光谱影像非线性分类问题,根据高光谱影像光谱分辨率高且光谱具有非线性的特点,结合深度学习理论,提出了一种采用降噪自动编码器(DAE)的高光谱影像分类方法。该方法结合降噪自动编码器与SOFTMAX分类器,构造深层网络分类模型;然后,利用加噪后的光谱数据,采用Dropout方法对分类模型进行预训练和微调;最后,利用训练得到的网络模型学习高光谱影像光谱的隐含特征,实现高光谱影像的分类。采用该方法对AVIRIS和PHI的高光谱影像分别进行分类对比实验,结果表明该方法能有效提高高光谱影像分类精度。     

基于Quick Shift算法的高光谱影像分类

论述了面向对象分类方法处理高光谱高空间分辨率影像的优势与流程;分析了快速漂移(Quick Shift)算法的原理,该算法在进行模式搜索时具有可控制模态选择和平衡过分割与欠分割的特点。将该算法应用于高光谱影像分割,可得到面向对象分类所需的较理想的同质影像对象。为提高影像分割的效率,提出了一种基于灰度共生矩阵的自适应核带宽确定方法,能够兼顾影像空间特征和光谱特征。最后采用最小距离分类法、支持向量机分类法与提出的分类方法进行了对比试验,实验结果表明了该方法的有效性。     

基于S3VM模型的高光谱遥感影像分类

针对传统的高光谱遥感影像分类受限于训练样本的个数,难以取得较好分类结果的不足,提出了一种基于聚类核的半监督支持向量机（S³VM）模型的高光谱遥感影像分类方法。该算法在半监督支持向量机的体系上加入未标记样本来辅助构建核矩阵,从而获得更优异的分类器,在小样本的基础上提高分类精度。试验结果表明,本文方法的分类精度好于传统方法,并且稳定性良好。