基于支持向量机的遥感影像分类研究

论文摘要

随着计算机技术的迅速发展，遥感影像的计算机自动分类技术开始被人们所重视起来，并大大提高了影像分类的质量、精度和效率。但是基于传统的遥感影像分类方法对遥感影像解译分类主要是利用遥感影像中像元灰度值的统计规律来进行，其分类的结果的精度受到训练样本数目和算法自身的分类模型算法的限制。支持向量机分类理论是建立在统计学习理论中的VC维和结构风险最小原理基础上用以研究小样本情况下机器分类方法，在实际的遥感影像分类应用中表现出较好的适用性。本文在中德科技合作与交流项目（2007DFB70200）和山东省自然科学基金（Y2008E10）的资助下，围绕基于支持向量机的遥感影像分类方法来展开研究的。本文采用了支持向量机分类算法并结合影像光谱特征提取的方法进行遥感影像分类研究，在文中构建了5类支持向量机分类模型，并选取了三组不同数目的样本类型进行分类实验根据分类效果选择一个最优分类模型。最后将分类效果与传统的机器分类算法的分类结果进行对比研究。对比研究结果显示支持向量机分类算法在三组训练样本的条件下均表现出较高的分类精度，其总体分类精度均高于85%，KAPPA系数均高于0.8；在样本数量发生变化的情况下，支持向量机分类算法的分类精度变化幅度最小，表现出了良好的适应性。研究发现支持向量机分类算法能够很好的支持小样本训练和分类处理；根据不同情况合理调整核函数，对不同分类试验具有很好的适应性；可以有效的避免“过学习”现象的产生，具有一定的算法优势。作为遥感影像分类研究中的重要方法，深入了解支持向量机在影像分类应用中的优缺点，对日后的遥感研究和应用工作有着重要的指导意义。

论文目录

• 摘要
• Abstract
• 1 前言
• 1.1 论文的研究背景
• 1.2 论文研究方法
• 2 统计学习理论和支持向量机理论
• 2.1 统计学习理论
• 2.1.1 计算机学习问题
• 2.1.2 经验风险最小化原则
• 2.1.3 VC 维
• 2.1.4 推广性的界
• 2.1.5 结构风险最小化原则
• 2.2 支持向量机
• 2.2.1 最佳分类面
• 2.2.2 支持向量机原理
• 2.2.3 核函数
• 2.2.4 支持向量机分类原理的特点
• 2.3 基于多分类的支持向量机原理
• 2.3.1 基于“一对一”方法的多分类支持向量机
• 2.3.2 基于“一对多”方法的多分类支持向量机
• 2.3.3 基于决策分类树的多分类支持向量机
• 3 实验数据准备与处理
• 3.1 实验数据准备
• 3.2 影像数据预处理
• 3.2.1 影像的辐射校正
• 3.2.2 影像的几何校正
• 3.3 遥感影像的特征提取
• 3.3.1 遥感影像光谱特征提取
• 3.3.2 遥感影像最佳波段组合
• 4 遥感影像分类对比实验
• 4.1 基于支持向量机的遥感影像分类
• 4.1.1 训练样本的选择
• 4.1.2 基于支持向量机的分类
• 4.1.3 支持向量机最优分类器选取
• 4.2 基于其它分类器的遥感影像分类
• 4.2.1 基于监督分类的图像分类
• 4.2.2 基于非监督分类的图像分类
• 4.2.3 基于人工神经网络的图像分类
• 4.3 分类结果对比
• 4.3.1 各分类器分类
• 4.3.2 分类结果对比分析
• 5 结论
• 参考文献
• 致谢
• 附录