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。     

利用分离性测度多类支持向量机进行高光谱遥感影像分类

从支持向量机的基本理论出发,结合高光谱数据的分离性测度,提出了一种基于分离性测度的二叉树多类支持向量机分类器,并用OMIS传感器获得的高光谱遥感数据和Hyperion高光谱遥感数据进行实验,分析比较了各种多类SVM的分类精度,并和传统的光谱角制图和最小距离分类算法进行了比较。结果表明,SVM进行高光谱分类时,基于分离性测度的二叉树多支持向量机的分类精度最高。     

基于支持向量机和多变量分析的高光谱遥感数据分类

从支持向量机和多变量分析的基本理论出发,建立一个基于支持向量机和多变量分析的高光谱分类器,并利用国产OM IS传感器获得的北京某地区高光谱遥感数据进行试验,采取网格搜寻的方法来确定误差惩罚参数和径向基核参数的值。主要选取独立成分分析和主成分分析这两种多变量分析方法。结果表明,当进行独立成分分析后的数据应用支持向量机分类的时候,分类精度随着维数的增加而递增,10~20维的时候达到最大值,然后随之递减,分类精度最大为78.93%。随后的主成分分析中,得到同样的结论,但精度最高的时候是选择5维特征,精度为88.61%。     

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。     

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。     

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。     

高光谱遥感影像分类研究进展

随着模式识别、机器学习、遥感技术等相关学科领域的发展,高光谱遥感影像分类研究取得快速进展。本文系统总结和评述了当前高光谱遥感影像分类的相关研究进展,在总结分类策略的基础上,重点从以核方法为代表的新型分类器设计、特征挖掘、空间-光谱分类、基于主动学习和半监督学习的分类、基于稀疏表达的分类、多分类器集成六个方面对高光谱影像像素级分类最新研究进行了综述。针对今后的研究方向,指出高光谱遥感影像分类一方面要适应大数据、智能化高光谱对地观测的发展前沿,继续引入机器学习领域的新理论、新方法,综合利用多源遥感数据、多维特征空间互补的优势,提高分类精度、分类器泛化能力和自动化程度;另一方面要关注高光谱遥感应用的需求,突出高光谱遥感记录精细光谱特征的优势,针对应用需求发展有效的分类方法。     

基于再生核Hilbert空间小波核函数支持向量机的高光谱遥感影像分类

针对支持向量机用于高光谱遥感影像分类存在的分类精度不高、参数选择困难等问题,提出一种再生核Hilbert空间的小波核.其可以逼近任意非线性函数,能够有效改进参数估计的效果,进而实现基于再生核Hilbert空间的小波核函数支持向量机(小波支持向量机).并选取北京昌平地区的国产高光谱数据operational modula...     

高光谱影像概率分类向量机分类方法研究

从分析基于支持向量机和相关向量机的高光谱影像分类方法的优势和不足出发,将基于概率分类向量机的方法用于高光谱影像分类试验。在贝叶斯理论框架下,概率分类向量机为基函数权值引入截断Gauss先验概率分布,使得不同类别的基函数权值具有不同符号的先验分布,并利用EM算法进行参数推断,得到足够稀疏的概率模型,弥补了相关向量机选取错误类别的样本作为相关向量的不足,从而有效地提高了模型的分类精度和稳定性。OMIS和PHI影像分类试验表明,概率分类向量机能够很好地应用在高光谱影像分类。     

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。     

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.     

高光谱遥感影像SVM分类中训练样本选择的研究

支持向量机(SVM)分类的关键是发现分类最优超平面及类别间隔,而混合像元比纯净像元更接近类别边界,更容易找出最优超平面。本文针对SVM分类器的特点,在高光谱数据分类中采用混合像元作为训练样本对SVM进行训练,试验表明采用类别边界上的混合像元作为训练样本是可行的,能够获得与纯净训练样本接近的分类精度,进一步验证了SVM分类对训练样本空间分布依赖度较低的特点。     

高光谱遥感影像优化判别局部对齐特征提取

目前,高光谱遥感特征提取方法往往因受到噪声的干扰而导致降维效果欠佳.近年来,判别局部对齐DLA(Discriminative Locality Alignment)由于可以处理非线性分布样本、保留局部判别信息,同时避免矩阵奇异性问题,受到了很多学者的关注;但该方法无法有效估计和减少噪声对高光谱遥感影像的影响.针对以上问...     

一种顾及上下文的高光谱遥感图像端元提取方法

端元提取技术是混合像元分解中重要的步骤之一,传统的端元提取方法仅考虑了像元的光谱信息。本文将数学形态学算子扩展到高光谱空间,并应用到端元提取技术中,可以顾及像元的上下文信息。利用AVIRIS高光谱仿真数据对算法进行了实验验证,结果表明本文算法具有较强的抗噪能力和较高的可靠性。在此基础上,结合徐州地区的EO-1 Hyperion高光谱遥感图像,使用本文算法进行了端元提取应用研究,将实验结果与纯净像元指数、顶点成分分析方法做了对比分析和精度评价,证明本文算法是一种可靠的高光谱遥感图像端元提取技术。     

面向对象的高光谱影像目标识别方法

将面向对象影像分析和决策树方法综合应用于高光谱遥感影像的目标提取,在分析待提取地物特征的基础上,总结归纳其特性知识,构建分类规则,设计和实现决策树以完成目标识别。该方法充分应用分割所得到的均质对象的位置、形状、纹理等特征实现了决策规则提取和决策树构建,在应用OMIS和PHI影像进行目标识别的实践中取得了很好的效果。     

矢量C-V模型的高光谱遥感影像分割

高光谱遥感影像除了包含普通2维影像所具有的空间信息还包含了1维光谱信息,传统的针对2维影像的分割方法不能很好地应用于高光谱遥感影像。为此,本文提出一种能够同时处理多波段影像的高光谱遥感影像矢量C-V模型分割方法。首先选出高光谱遥感影像中目标与背景对比度较大的波段,并通过计算波段相关系数,去除其中的冗余信息形成新的波段组合,进而根据所确定的波段组合构建高光谱遥感影像矢量矩阵;在此基础上,构造基于该矢量矩阵的矢量C-V分割模型。模型中通过引入基于梯度的边缘引导函数,在保留传统C-V模型基于区域信息进行影像分割的基础上,利用影像的边缘细节信息,增强了模型在异质区域和复杂背景情况下对目标边缘的捕捉能力,提高了对高光谱遥感影像的分割精度和速度。最后利用HYPERION数据进行仿真实验,并将实验结果和传统C-V模型和相关方法进行了对比,结果表明,本文方法能够在短时间内有效地分割高光谱遥感影像,与传统方法相比,具有分割精度更高运算速度更快的特点。     

高光谱遥感图像的空间邻域指数

通过高光谱遥感图像空间邻域内光谱特征的变化,研究了邻域光谱度量指数;根据邻域内端元光谱特征的变化,提出了邻域独立端元指数提取图像的空间维细节信息。通过真实高光谱遥感图像检验,两类邻域指数能够较好地提取高光谱遥感图像中的细节,为进一步结合空间维、光谱维特征的高精度目标探测与识别创造了有利条件。