基于支持向量机的高光谱图像分类技术研究

论文摘要

高光谱遥感技术已经成为遥感发展的前沿,并且在民用以及军用等多个领域发挥着极其重要的作用。高光谱图像的高分辨率、多波段数、窄波段宽度、大数据量在为人类带来巨大的研究价值的同时,也给高光谱图像的处理带来了巨大的挑战。多光谱图像的处理方法不再适用于高光谱图像处理,如何从高光谱数据中快速而准确的挖掘出所需要的信息,目前仍是一个亟待解决的问题。高光谱图像分类是高光谱应用中的核心技术之一,快速、高精度的高光谱图像分类算法是实现各种实际应用的前提。传统的模式分类方法以经验风险最小化为归纳原则,只有当样本数趋于无穷时,其性能才能达到理论上的最优。然而在高光谱图像分类中,训练样本通常是有限的。本文借助支持向量机方法在小样本、非线性及高维特征空间中具有良好的分类性能,针对高光谱图像分类的特点,对支持向量机方法及其在高光谱图像分类中的应用进行了深入的研究,主要工作包括：1、介绍了高光谱图像的特点、成像光谱技术的发展以及高光谱图像分类技术的发展及现状,说明了课题的研究背景和应用价值。2、分析了传统高光谱图像监督分类方法和支持向量机分类算法。通过高光谱图像分类仿真实验,比较得出各种方法的分类性能,指出传统的分类方法在处理高光谱数据分类时存在的弊端,和支持向量机分类算法在高光谱图像分类上的独特优势。3、深入研究了支持向量机原理,分析了非线性支持向量机中核函数的引入可造成分类阈值偏移的问题,提出了非线性支持向量机分类阈值的优化设置方法。在分类前先进行阈值设置,再利用新阈值进行分类。高光谱图像的分类仿真实验表明,所提出的阈值优化设置方法能有效提高非线性支持向量机的分类精度。4、大规模数据下,支持向量机的训练算法是支持向量机算法研究的一个重要方向和焦点。针对大规模训练集,为了克服训练算法速度慢的问题,论文从分析训练问题的实质和难点出发,提出一种在训练前先去除非支持向量对应的样本,从而达到缩小样本集的方法。本方法可以在不损失分类正确率的情况下具有更快的收敛速度。高光谱数据的分类仿真实验证明了该方法的可行性和有效性。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题背景及研究的目的意义
• 1.2 成像光谱技术的发展及高光谱图像特点
• 1.2.1 成像光谱技术的发展
• 1.2.2 高光谱图像特点
• 1.3 高光谱分类的研究现状
• 1.4 本文的研究内容和组织结构
• 第2章 SVM基本理论
• 2.1 机器学习的发展历史与现状
• 2.2 SVM算法的发展
• 2.3 SVM的分类原理
• 2.3.1 线性SVM
• 2.3.2 广义线性SVM
• 2.3.3 非线性SVM
• 2.4 最小二乘SVM
• 2.5 SVM多类分类方法
• 2.5.1 1-a-r型多分类SVM
• 2.5.2 1-a-1型多分类SVM
• 2.6 本章小结
• 第3章 高光谱遥感图像分类
• 3.1 引言
• 3.2 遥感图像监督分类
• 3.2.1 最小距离分类和最近邻分类
• 3.2.2 光谱角匹配分类
• 3.2.3 最大似然分类
• 3.3 分类结果和精度评价
• 3.4 实验内容与结果分析
• 3.5 本章小结
• 第4章 非线性支持向量机判别阈值的设置
• 4.1 非线性SVM中阈值偏移的分析
• 4.2 阈值的优化设置方法
• 4.3 高光谱图像分类仿真实验
• 4.4 本章小结
• 第5章 基于距离比较的SVM样本缩减方法
• 5.1 SVM训练算法分析
• 5.2 样本缩减策略
• 5.3 基于样本缩减策略的高光谱图像仿真实验
• 5.4 采用新阈值进行样本缩减的仿真实验
• 5.5 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢