特征维数对支持向量机分类器性能影响的研究——以高光谱遥感影像为例

本文为验证SVM对高维特征的适应性和可靠性,针对不同特征提取方法与特征组合,以国产OMISⅡ传感器获得的北京昌平地区高光谱遥感据为例,对SVM分类器中特征维数对分类准确率的影响进行了试验,通过对主成分分析、最小噪声分离算法、相关系数分组后特征提取、导数光谱等的分析,表明SVM分类器的分类精度随着特征维数波动,其中主成分分析降维后提取的特征具有用于分类能够获得最高的准确率。通过与最大似然法和光谱角制图分类算法的比较,说明在同样的特征输入情况下SVM分类算法分类的准确率高于最大似然法和光谱角制图分类器。     

Landsat8影像分类多分类器对比分析

以去除卷云波段的洛阳市Landsat8的9个波段影像为数据源,通过分析影像可分的类别并采集样本,对比随机森林、支持向量机(SVM)、最大似然3种分类器在不同训练样本分类中的表现.结果 表明,对于以光谱波段为信息源的Landsat8影像分类,随机森林、SVM并不能体现其优越的分类性能,总体精度均低于最大似然,最大似然分类...     

结合纹理的SVM遥感影像分类研究

针对传统统计模式识别分类方法分类精度不高,分类时未加入像元灰度的空间分布和结构特征以及分类时样本不足等缺陷,采用一种结合纹理的支持向量机(SVM)遥感图像分类方法。该方法在对Landsat7 ETM遥感影像进行纹理特征提取的基础上,构建了结合纹理的SVM分类模型。以河南省汝阳县为试验区,利用此模型对该区域的土地利用类型进行分类研究,并将分类结果与最大似然法和单源数据(光谱)SVM分类结果进行定性和定量比较分析。研究结果表明:该方法能够有效地解决单数据源分类效果破碎、分类精度不高等问题;对高维输入向量具有较高的推广能力;总精度达到90%,比单源信息的SVM分类法提高了6%,而与最大似然法相比,总精度提高了近9%,取得了良好的效果。     

基于多尺度纹理和光谱信息的SVM分类研究

基于单尺度纹理和光谱信息的地物分类较难取得理想效果,本文结合多尺度纹理与光谱信息,运用SVM分类方法,对IKONOS遥感影像进行分类。结果表明:结合多尺度纹理和光谱信息的SVM高分辨率遥感影像分类,能够更好地描述地物,分类总体精度达到83.9%,与基于光谱信息的最大似然法和基于单尺度纹理和光谱信息的SVM分类方法比较,分类精度分别提高了13.8%和4.9%,该方法有助于提高高分辨率影像的分类正确率。     

基于最大似然法和SVM法的太湖流域HJ-1B影像分类

以太湖流域作为研究对象,基于环境减灾卫星HJ-1B影像数据,比较利用最大似然法和支持向量机法进行土地利用/覆盖分类的效果。结果显示,SVM法在总体分类精度和Kappa系数上较传统最大似然法有所提高。SVM分类方法对于有限样本的分类表现出优越的性能,改善了传统分类方法的局限性,具有很大的应用潜力。     

基于模糊推理的最大似然分类算法研究

本文将模糊集理论与最大似然分类原理相结合,用模糊均值和模糊协方差代替传统最大似然分类的均值和协方差矩阵,依据极大隶属度原则,对最大似然分类算法进行改进。并尝试采用一种基于相异像素空间分布算法的分类精度评定方法,得到相异像素空间分布图,依据该空间分布图对不同的分类方法进行精度评定。实验结果表明,改进后的最大似然分类法的正确率、Kappa系数均优于传统的最大似然分类方法,所采用的精度评定方法也较传统方法在有效性、效率等方面有所改善。     

基于SVM的多源信息复合的高空间分辨率遥感数据分类研究

遥感图像尤其是高空间分辨率（1—4m）遥感图像在土地利用和土地覆盖变化方面有着广阔的应用前景，传统高空间分辨率遥感图像信息提取方法存在精度和分类效率低的不足。本文提出的基于SVM的分类方法，复合光谱、纹理和结构信息等多源数据信息，对IKONOS高空间分辨率图像进行分类，并与最大似然法和单源数据（光谱）SVM分类结果进行定性和定量比较分析。研究结果表明，多源数据复合的SVM高空间分辨率遥感图像分类方法，能够有效解决单源数据信息图像分类效果破碎的问题；总精度达到68．38％，Kappa达到0．5993；对高维输入向量具有高的推广能力；比单源信息的SVM和最大似然方法图像分类精度更高，适合高空间分辨率遥感图像分类。     

基于SVM的资源三号测绘卫星影像分类

以江苏省宜兴市为研究区,利用支持向量机(SVM)方法对资源三号测绘卫星影像进行了分类,其总分类精度为97.76%,Kappa精度为0.968 7。为了评价算法的适用性,同时应用最大似然法与最小距离法对同一影像进行分类测试,支持向量机分类法精度高于其他2种方法,可以满足土地覆盖分类调查需求。     

基于SVM的高分一号卫星影像分类

以辽宁阜新为研究区,运用支持向量机(SVM)的方法对高分一号8 m,16 m和Landsat8多光谱影像进行土地利用分类对比研究。实验表明,SVM的分类精度高于最小距离和最大似然方法,高分一号多光谱数据的分类精度高于Landsat8数据,可以应用于土地利用的分类。     

青藏高原深切割区GF-1土地利用分类精度研究

以青藏高原深切割地区为例,研究高分一号影像在深切割地区的分类方法。分别采用最大似然法、神经网络法和支持向量机分类法对影像进行分类,并对分类精度进行评价和分析。结果表明:1)高分一号区分地物的精度较高,可满足土地利用的遥感监测;2)支持向量机分类方法其总体精度为91.67%,Kappa系数为89.54%,均高于最大似然法和神经网络分类法。因此,支持向量机分类方法更适合于高分一号影像在深切割地区的分类。