遙感圖像分類(lèi)中SVM樣本縮減與信息融合方法研究.pdf

1、高光譜圖像在實(shí)現(xiàn)監(jiān)測(cè)、勘探等目標(biāo)的重要前提是分類(lèi)技術(shù)，其中從統(tǒng)計(jì)學(xué)習(xí)理論中發(fā)展起來(lái)的支持向量機(jī)，以結(jié)構(gòu)風(fēng)險(xiǎn)最小化作為理論基礎(chǔ)，避免了過(guò)學(xué)習(xí)造成分類(lèi)器過(guò)于復(fù)雜，喪失泛化性的問(wèn)題，尤其在有限樣本的情況下仍然具有良好的分類(lèi)性能。而核函數(shù)的引入，也為解決線(xiàn)性不可分問(wèn)題提供了最佳的解決途徑。然而，支持向量機(jī)的優(yōu)化效率較低卻是阻礙該方法廣泛應(yīng)用的主要因素，特別是一些特定領(lǐng)域的應(yīng)用中對(duì)實(shí)時(shí)性有較高的需求，這將嚴(yán)重影響該方法的實(shí)用價(jià)值。最小二乘支持向量

2、機(jī)對(duì)原始支持向量機(jī)進(jìn)行了改進(jìn)，在優(yōu)化條件中用等式約束代替不等式約束，從而大大降低了問(wèn)題求解的復(fù)雜性。雖然最小二乘支持向量機(jī)降低了求解的復(fù)雜度，卻將所有訓(xùn)練樣本都作為支持向量參與未知樣本的預(yù)測(cè)，導(dǎo)致該算法在預(yù)測(cè)新樣本時(shí)速度較慢。同時(shí)傳統(tǒng)分類(lèi)器主要理由光譜數(shù)據(jù)進(jìn)行訓(xùn)練以及分類(lèi)，忽略了對(duì)地物空間相關(guān)性的挖掘，造成信息獲取不充分的缺陷。
　　基于以上問(wèn)題，經(jīng)過(guò)對(duì)高光譜圖像分類(lèi)的深入的研究，本文從基本保持分類(lèi)精度不降低的前提下，對(duì)支持向量機(jī)

3、訓(xùn)練過(guò)程進(jìn)行改進(jìn)，縮短分類(lèi)過(guò)程所需時(shí)間。在此基礎(chǔ)上，將原始分類(lèi)結(jié)果進(jìn)行與空間相關(guān)信息的融合，進(jìn)一步提高分類(lèi)精度，本文主要工作包括：
　　首先，介紹了高光譜圖像的課題研究背景和實(shí)現(xiàn)價(jià)值，伴隨著光譜儀硬件性能的提高，遙感圖像數(shù)據(jù)隨之產(chǎn)生的新變化，以及在這種背景下進(jìn)行分類(lèi)中存在的問(wèn)題，也介紹了為解決這些問(wèn)題，國(guó)內(nèi)外學(xué)者不斷努力提出的新方法。
　　其次，突出了支持向量機(jī)在遙感圖像分類(lèi)中的適用性，與傳統(tǒng)手法需要海量訓(xùn)練數(shù)據(jù)相比，支持向

4、量機(jī)可以在有限訓(xùn)練樣本情況下訓(xùn)練出性能優(yōu)良的判決函數(shù)，通過(guò)實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證了這一點(diǎn)。
　　再次，全面的介紹了原始以及最小二乘支持向量機(jī)的基本原理，并通過(guò)分析其優(yōu)勢(shì)和存在的問(wèn)題，針對(duì)最小二乘支持向量機(jī)以全部訓(xùn)練樣本參與判決的缺陷，構(gòu)建了一種基于庫(kù)倫力的樣本縮減策略，在保證或提高分類(lèi)精度的基礎(chǔ)上，有效提高分類(lèi)器效率，通過(guò)仿真實(shí)驗(yàn)表明，本文樣本縮減策略可以大大縮減分類(lèi)時(shí)間。
　　最后，介紹了馬爾科夫隨機(jī)場(chǎng)的基本原理，并在本文提出的縮減