基于SVM算法和GLCM的侧扫声纳影像分类研究

根据侧扫声纳影像的特征,提出一种基于SVM和GLCM的侧扫声纳影像分类方法,利用灰度共生矩阵提取其纹理特征,采用主成分分析法对纹理特征进行筛选,选择适合侧扫声纳影像的最佳纹理特征,结合侧扫声纳影像的回波强度,应用支持向量机对侧扫声纳影像进行分类。研究结果表明,纹理特征结合回波强度的支持向量机分类精度高于只依靠回波强度的支持向量机分类精度。     

西北航道的海冰分类及可通行性分析

随着全球变暖和全球贸易的增长,西北航道的经济效益日渐突出.但是西北航道内浮冰的存在对船舶的航行有一定的影响.鉴于此,利用遥感影像的灰度和灰度共生矩阵组成组合特征构建训练样本,利用支持向量机(Support Vector Machine,SVM)对样本进行训练,实现海冰、海水的分类,并借助蚁群算法进行可通行性分析.实验结果证明,相比较传统单一特征分类结果,本文提出的组合特征的方法能够在一定程度上提高分类正确率,有效区分遥感影像中的海水、海冰,为船舶航行的可行性提供依据.     

SVM加权学习下的机载LiDAR数据多元分类研究

基于支持向量机统计学习分类过程中不同特征对分类结果贡献存在差异的问题,提出了支持向量机加权学习下的训练、分类新方法,以实现对城区机载LiDAR数据多元分类(地面、树木、建筑),并对特征矢量加权归一化、特征权重计算以及该方式下多元分类策略的建立进行了讨论,实验证明了该方法的有效性.     

结合纹理信息的极化SAR影像分类研究

结合Gabor小波、灰度共生矩阵和Fast ICA方法提取的纹理信息,利用支持向量机分类器对单极化SAR影像进行分类研究。首先利用精致Lee滤波器对影像进行去噪处理;然后采用灰度共生矩阵和Gabor小波提取影像纹理特征,利用Fast ICA算法对纹理特征进行降维分析;最后将降维后的纹理特征与强度特征结合,采用支持向量机分类器进行分类;采用北京地区Terra SAR-X影像对该方法进行实验,结果表明,纹理信息的引入使极化SAR影像分类精度得到提高。     

基于纹理特征和支持向量机的ALOS图像土地覆被分类

高空间分辨率遥感图像在土地覆被分类方面应用广泛,但传统的基于像元分类方法的精度较低.为了提高高分辨率图像的分类精度,通过灰度共生矩阵法快速提取纹理特征,利用支持向量机(SVM)并辅以纹理特征,对浙江湖州典型实验样区的ALOS图像进行土地覆被分类.结果表明:基于纹理特征和SVM的图像分类能更好地提取地物信息,分类总精度达...     

一种有效的基于灰度共生矩阵的图像检索方法

提出了一种基于广义图像灰度共生矩阵的图像检索方法。该方法首先将原图像作平滑处理得到平滑图像，然后将原图像和平滑图像组合得到广义图像灰度共生矩阵，提取该矩阵的统计特征量，最后将该统计量组成归一化向量用以检索。实验结果表明，本方法的效果要优于单纯的灰度共生矩阵法。     

结合灰度和基于动态窗口的纹理特征的遥感影像分类

在基于灰度共生矩阵提取遥感影像纹理特征的基础上,针对固定窗口算法的局限性,提出了动态窗口算法;并将不同滑动窗口算法提取的纹理特征与影像灰度组合进行支持向量机(SVM)分类,对分类结果进行定性和定量比较分析。实验结果表明:影像灰度结合动态窗口算法提取的纹理特征进行SVM分类的分类精度优于灰度结合固定窗口算法提取的纹理特征的分类精度。因此,提出的算法较传统的固定窗口算法更具优势,是一种有效纹理信息提取方法。     

基于SVM的资源三号测绘卫星影像多特征分类

针对传统分类方法精度不高、感兴趣目标分类不理想等缺陷,采用多特征组合的支持向量机影像分类方法,利用颜色矩、颜色集和灰度共生矩阵进行特征提取,总体精度、Kappa系数和混淆矩阵作为评价指标对单一特征、组合特征的不同分类结果进行分析。实验结果表明,该方法有效地解决了单数据源分类不完整、精度低等问题,对高维输入向量具有较高的推广力。     

高维遥感图像的快速分类算法

为了实现对高维遥感图像的快速准确分类,提出了一种基于k均值二叉树支持向量机(SVM)的分类方法。该方法通过对选取的训练样本进行k均值聚类,生成支持向量机分类二叉树,作为确定最佳分类顺序的依据,以降低分类过程中的误差累积并提高整体分类精度,而且可缓解由样本数量不均衡导致的分类误差。该方法可在不进行降维处理的情况下,对高维遥感图像进行快速准确分类。测试结果表明,其分类速度和分类精度都优于传统的支持向量机分类结果。     

热红外港口图像特征的评估器提取与选择

针对低对比度、条纹噪声、低空间分辨率等特点而导致的热红外图像识别效果不佳问题,提出了一种港口目标热红外遥感图像特征提取与选择方法,实现了一定情况下港口目标的高精度分类。采用纹理、几何等29个特征,通过评估器选择最佳特征组合,并根据识别精度选择最佳分类器,能生成热红外图像港口目标22个最佳分类特征,且具有一定的鲁棒性。经过参数优化后的libSVM(一种支持向量机)分类器分类精度较高;白天图像比夜间图像分类精度更高;像素值、灰度直方图相关的一维和二维统计特征、局部二进制模式特征、边缘方向直方图特征等与灰度和纹理相关的特征对港口目标热红外图像识别影响较大。     

Per-pixel and object-oriented classification methods for mapping urban land cover extraction using SPOT 5 imagery

To have sustainable management and proper decision-making, timely acquisition and analysis of surface features are necessary. Traditional pixel-based analysis is the popular way to extract different categories, but it is not comparable by the achievements that can be achieved through the object-based method that uses the additional characteristics of features in the process of classification. In this paper, three types of classification were used to classify SPOT 5 satellite image in mapping land cover; Support vector machine (SVM) pixel-based, SVM object-based and Decision Tree (DT) pixel-based classification. Normalised Difference Vegetation Index and the brightness value of two infrared bands (NIR and SWIR) were used in manually developed DT classification. The classification of the SVM (pixel based) was generated using the selected groups of pixels that represent the selected features. In addition, the SVM (object based) was implemented by using radial-based function kernel. The classified features were oil palm, rubber, urban area, soil, water and other vegetation. The study found that the overall classification of the DT was the lowest at 69.87% while those of SVM (pixel based) and SVM (object based) were 76.67 and 81.25%, respectively.     

SVM多窗口纹理土地利用信息提取技术

针对单一窗口纹理分类时地物破碎,分类精度不高等问题,提出了一种基于支持向量机多窗口纹理的遥感图像分类方法。该方法在对SPOT5遥感影像进行纹理特征提取的基础上,构建了结合多窗口纹理的SVM模型。以陕西省佛坪县长角坝乡为试验区,利用此模型对该区域的土地利用类型进行分类研究,并将分类结果与单一窗口纹理SVM分类和单元数据(光谱)SVM分类结果进行了比较分析。结果表明:多窗口纹理参与的土地利用分类总精度达到85.33%,比单一窗口纹理分类提高了13.11%,而与单元数据SVM分类相比提高了近24.10%,取得了较好的分类效果,有效地解决了单一窗口纹理分类时地物破碎、分类精度不高等问题。     

An innovative support vector machine based method for contextual image classification

Several remote sensing studies have adopted the Support Vector Machine (SVM) method for image classification. Although the original formulation of the SVM method does not incorporate contextual information, there are different proposals to incorporate this type of information into it. Usually, these proposals modify the SVM training phase or make an integration of SVM classifications using stochastic models. This study presents a new perspective on the development of contextual SVMs. The main concept of this proposed method is to use the contextual information to displace the separation hyperplane, initially defined by the traditional SVM. This displaced hyperplane could cause a change of the class initially assigned to the pixel. To evaluate the classification effectiveness of the proposed method a case study is presented comparing the results with the standard SVM and the SVM post-processed by the mode (majority) filter. An ALOS/PALSAR image, PLR mode, acquired over an Amazon area was used in the experiment. Considering the inner area of test sites, the accuracy results obtained by the proposed method is better than SVM and similar to SVM post-processed by the mode filter. The proposed method, however, produces better results than mode post-processed SVM when considering the classification near the edges between regions. One drawback of the method is the computational cost of the proposed method is significantly greater than the compared methods.     

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。     

基于支持向量机无限集成学习方法的遥感图像分类

基于支持向量机的无限集成学习方法(SVM-based IEL)是机器学习领域新兴起的一种集成学习方法。本文将SVM-based IEL引入遥感图像的分类领域,并同时将SVM、Bagging、AdaBoost和SVM-based IEL等方法应用于遥感图像分类。实验表明:Bagging方法可以提高遥感图像的分类精度,而AdaBoost却降低了遥感图像的分类精度;同时,与SVM、有限集成的学习方法相比,SVM-based IEL方法具有可以显著地提高遥感图像的分类精度、分类效率的优势。     

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。     

端元可变非线性混合像元分解模型

遥感影像中混合像元普遍存在。端元固定的情况下对混合像元进行分解,很难高精度地识别影像地物。本文基于支持向量机,提出了端元可变的非线性混合像元分解模型。首先,通过构建多个支持向量机获取每个像元的优化端元集,在优化端元集的基础上运用支持向量机与两两配对方法相结合的算法获取像元组分。试验结果表明,本文提出的方法效果优于传统的多端元光谱分解法。     

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。     

一种基于SVM的无人机影像中单个建筑物的角点检测方法

针对目前无人机影像中单个建筑物角点的检测现状,提出了一种基于支持向量机(SVM)的无人机影像中建筑物的角点检测方法。首先对4个波段的无人机影像进行多尺度分割,计算影像的NDVI,通过植被与非植被区域的波谱差异剔除植被的影响。其次,用面向对象分类法将"建筑物块"从影像中提取出来,对"建筑物块"区域用Harris算子进行边缘检测,形成建筑物边缘点集数据。随后通过设计高斯径向基将边缘样本点映射到高维特征空间,构建特征向量,采用边缘点集训练SVM分类模型,最终通过SVM分类模型从粗提取的边缘点集中检测出正确的建筑物角点,实现了单个建筑物的角点提取。     

人工蜂群算法优化的SVM遥感影像分类

SVM分类器的参数设定对分类精度有着显著的影响,针对现有人工智能算法优化参数易陷入局部最优的现状,提出了一种基于人工蜂群算法改进SVM参数的遥感分类方法(ABC-SVM)。该方法模仿蜜蜂采蜜的行为,以训练样本的交叉验证精度代表蜜源的丰富程度,通过蜂群的分工协作搜索出最优蜜源(即SVM分类器最优参数),最终利用参数优化后的SVM分类器实现遥感影像的分类。本文先后比较了3种人工智能算法(包括人工蜂群算法优化的SVM(ABC-SVM)、遗传算法GA(Genetic Algorithm)优化的SVM(GA-SVM)、粒子群算法PSO(Practical Swarm Optimization)优化的SVM(PSO-SVM))在UCI标准数据集上的分类精度和效率,以及3种人工智能算法优化的SVM算法与未经优化参数的SVM算法在遥感影像上分类的差异。结果显示:(1)在利用UCI数据集测试3种人工智能算法优化的SVM算法的结果中,ABC-SVM显示出更高的分类精度、更高的适应度和更快的收敛速度;(2)在利用遥感影像验证4种分类算法精度的结果中,人工智能算法优化后的SVM比未经参数优化的SVM算法的分类精度更高;其中,ABC-SVM分类精度最高,分别比遗传算法、粒子群算法的结果高1.67%、1.50%。