基于支持向量机的高光谱多类别分类研究

论文摘要

地球遥感是通过在空中或者地球轨道的各种传感器采集光、热、无线电波等电磁能量来探测地物特性的科学。为了对更好地提取地物特征,实现不同地物的细致分类,通常需要使用到光谱谱段更多、光谱分辨率更高的高光谱遥感图像。高光谱遥感图像通常包含可见光至红外范围内的几十甚至几百个谱段,极大地丰富了光谱信息,在面对困难的地物分类问题时具有显著优势,因此在军事、农业、地质等多个领域都有相当广泛的应用。高光谱图像的分类算法与传统分类算法类似,最终目标是标记出高光谱图像上每个像素所属的类别,算法主要包含两个步骤:第一,特征提取与选择;第二,设计分类器。本文的研究主要着眼于基于支持向量机的高光谱多类分类策略。由于现有的多类分类算法都存在各自的优点和缺点,本文首先对这些方法进行了分析,并在此基础上提出了一种基于淘汰决策树的支持向量机多类分类算法。该算法借鉴淘汰赛的机制,与前人提出的一对一循环赛方法相比,该算法不仅可以保持较高的分类精度,同时还可以缩减一半的分类时间。此外,本文还深入探究支持向量机的分类速度的影响因素,提出了一种快速二叉树分类策略,仅牺牲0.5%的分类精度,即可将方法的分类时间再减少一半。

论文目录

• 摘要
• abstract
• 第一章 绪论
• 1.1 研究背景
• 1.1.1 遥感技术与高光谱图像
• 1.1.2 国内外相关研究单位
• 1.2 研究现状
• 1.2.1 研究内容
• 1.2.2 研究现状
• 1.2.3 研究难点
• 1.3 论文内容安排
• 第二章 支持向量机与高光谱分类概论
• 2.1 机器学习
• 2.1.1 经验风险与实际风险一致性
• 2.1.2 泛化能力
• 2.2 统计学习理论
• 2.2.1 VC维
• 2.2.2 风险上界
• 2.2.3 风险最小化原则
• 2.3 高光谱图像分类精度评价
• 2.3.1 混淆矩阵
• 2.3.2 总体分类精度
• 2.3.3 Kappa系数
• 2.3.4 使用者和生产者精度
• 2.3.5 麦克尼马尔检验
• 2.4 高光谱分类研究的基准图像
• 2.4.1 92AV3C
• 2.4.2 Washington DC Mall
• 第三章 基于淘汰决策树策略的支持向量机多类分类器
• 3.1 多类策略介绍
• 3.2 多类分类策略分析
• 3.3 淘汰决策树支持向量机
• 3.3.1 淘汰决策树
• 3.3.2 淘汰决策树支持向量机
• 3.4 实验结果与分析
• 3.4.1 实验设置
• 3.4.2 实验结果
• 3.5 本章小结
• 第四章 基于快速二叉树策略的支持向量机多类分类器
• 4.1 快速二叉树的构建
• 4.2 分类面
• 4.3 支持向量平均数量
• 4.4 实验结果与分析
• 4.4.1 实验设置
• 4.4.2 实验结果
• 4.5 本章小结
• 第五章 结束语
• 致谢
• 参考文献