| 有限样本类别城市高光谱数据SVM分类应用分析 |
| |
| 引用本文： | 孙晓霞,李利伟,杨玲,高连如.有限样本类别城市高光谱数据SVM分类应用分析[J].测绘通报,2014,0(11):33-36. |
| |
| 作者姓名： | 孙晓霞 李利伟 杨玲 高连如 |
| |
| 作者单位： | 1. 中国科学院遥感与数字地球研究所 数字地球实验室；2. 河南大学 环境与规划学院 |
| |
| 基金项目： | 国家科技支撑计划(Y16Z02101A);航空载荷协同处理和数据检验项目(Y2B001101A) |
| |
| 摘 要： | 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。
|
| 关 键 词： | 支持向量机 高光谱数据 后验概率 分类精度 |
| 收稿时间： | 2013-09-06 |
Classification of Hyperspectral Images by Support Vector Machines with Limited Defined Set of Classes |
| |
| SUN Xiaoxia,LI Liwei,YANG Ling,GAO Lianru.Classification of Hyperspectral Images by Support Vector Machines with Limited Defined Set of Classes[J].Bulletin of Surveying and Mapping,2014,0(11):33-36. |
| |
| Authors: | SUN Xiaoxia LI Liwei YANG Ling GAO Lianru |
| |
| Abstract: | |
| |
| Keywords: | |
| 本文献已被 CNKI 等数据库收录！ |
| 点击此处可从《测绘通报》浏览原始摘要信息 |
| 点击此处可从《测绘通报》下载免费的PDF全文 |
|
