支持向量机遥感图像分类的研究

论文摘要

图像分类是人们获取信息的一种重要的手段,传统的分类方法是以经验风险最小化为归纳原则,只有当训练样本数趋于无穷时,其性能才能达到理论上的最优。然而在遥感影像分类中训练样本往往是有限的。当样本不足时,传统的分类方法往往不能达到理想的分类效果。与传统统计学相比,统计学习理论是一种专门研究小样本情况下机器学习规律的理论。支持向量机（SVM）方法是建立在统计学习理论基础之上的,克服了神经网络分类和传统统计分类方法的许多缺点,具有较高的泛化能力。支持向量机是数据挖掘中的一项新技术,是借助于最优化方法解决机器学习问题的新工具。它通过引入核映射方法,有效克服了“维数灾难”和“过学习”等困难,较好的解决了非线性问题。与传统的人工神经网络相比,支持向量机理论体现了结构风险最小化原则,它不仅结构简单,泛化能力强,而且能较好的解决小样本、高维数据和局部极小等实际问题,因其易用、稳定和具有相对较高的精度而得到广泛的应用。支持向量机的核心思想就是选择适当的映射,将学习样本非线性映射到高维空间,然后在高维空间里创建具有低VC维的最优分类超平面。支持向量机通过综合考虑经验风险和置信范围的大小,根据结构风险最小化原则寻求最佳折衷,从而得到风险上界最小的分类函数。本文以试验区的地物分类为研究背景,建立了支持向量机的算法框架,并分别使用多项式核函数（Polynomial Kernel）,径向基核函数（Radial Basis Kernel）、Sigmoid核函数以及线性核函数（Linear Kernel）四种核函数对图像进行了多类别分类实验。文中对支持向量机算法进行了理论上的分析并具体使用C++程序设计语言进行了实现。为了检验采用支持向量机进行图像分类的效果,本文特别选择了在专业的遥感软件下采用最小距离（Minimum Distance）法和最大似然估计（Maximum Likelihood Estimation）法对实验数据进行图像分类。将这两种算法和支持向量机算法分类后的效果进行了对比,证明支持向量机算法在准确率、推广能力等方面具有一定的优势,该算法应用在遥感图像地物分类上是切实可行的。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.2 研究的目的和意义
• 1.3 支持向量机的应用前景
• 1.4 本课题研究的主要内容
• 第二章 统计学习理论与支持向量机
• 2.1 统计学习理论
• 2.2 统计学习理论基本内容
• 2.2.1 机器学习问题的表示
• 2.2.2 VC维
• 2.2.3 推广性界
• 2.2.4 结构风险最小化
• 2.2.5 经验风险最小化
• 2.3 支持向量机基本原理
• 2.3.1 支持向量机
• 2.3.2 核心思想
• 2.3.3 线性可分最优分类器
• 2.3.4 非线性可分分类器
• 第三章 支持向量机模型的建立以及软件算法实现
• 3.1 SVM核函数
• 3.2 整体设计
• 3.2.1 样本采集模块的设计与实现
• 3.2.2 算法训练模块的设计与实现
• 3.2.3 分类模块的设计与实现
• 第四章 图像预处理及参数的选择
• 4.1 图像预处理
• 4.1.1 几何校正
• 4.1.2 图像拼接
• 4.1.3 图像裁切
• 4.2 参数的选择及对分类效果的影响
• 4.2.1 惩罚系数C
• 4.2.2 交叉验证技术
• 4.2.3 网格搜索技术
• 第五章 实验结果及分类评价
• 5.1 试验区地面资料的分析
• 5.2 四种核函数的分类结果比较
• 5.3 与其他的分类算法的比较
• 5.4 分类评价
• 第六章 结论与展望
• 结论
• 论文进一步研究设想
• 展望
• 参考文献
• 附录
• 攻读硕士学位期间取得的研究成果
• 攻读硕士学位期间参加的科研项目
• 致谢