結(jié)合空間信息的高光譜圖像支持向量機分類研究.pdf

1、高光譜遙感圖像極高的光譜分辨率能夠很好地反映地表地物的不同材質(zhì)特性，使得高光譜圖像比多光譜圖像更適合于地物分類，因此得到了越來越多的關(guān)注和研究。
　　 在高光譜圖像分類時，高維度的數(shù)據(jù)提高了分類器檢測和識別各種地物類別的精度，但也存在確定地物類別代價大及訓練樣本不足、對處理算法的運行時間要求高、大量光譜波段引起如“Hughes”現(xiàn)象等問題。采用支持向量機(support vector machine，SVM)可以有效解決以上問題

2、。
　　 本文從基本的支持向量機理論出發(fā)，嘗試在SVM分類器當中引入空間信息，并采用兩種策略來結(jié)合光譜信息和空間信息，提出了數(shù)種基于SVM的圖像分類方法，主要內(nèi)容如下所述:
　　 (1)結(jié)合固定窗提取的空間紋理信息的SVM圖像分類算法。針對地物空間信息在圖像上的表現(xiàn)之一為紋理這一特點，設計了紋理空間信息提取，采用最簡單的固定窗提取方法，分析了圖像紋理的直方圖指數(shù)、自相關(guān)指數(shù)、邊界頻率指數(shù)以及灰度共生矩陣產(chǎn)生的一些紋理指數(shù)

3、，找出其中提取空間信息最充分的一些指數(shù)，產(chǎn)生相應的紋理影像，與光譜特性結(jié)合用組合核SVM分類器進行分類。實驗表明此算法對分類結(jié)果有著一定程度的提高。
　　 (2)結(jié)合圖像分割的SVM圖像分類算法。針對地物形狀這一種空間信息，將圖像分割的思想引入圖像分類，實現(xiàn)了分水嶺算法、K均值聚類分割、MSF（minimum spanning forest，最小生成林）分割三種算法。實驗結(jié)果發(fā)現(xiàn)基于圖像分割的SVM圖像分類對大面積的地物分類效果

4、有很大提高，但對小面積的地物分類效果卻有所降低。
　　 (3)結(jié)合像素鄰域信息的SVM迭代圖像分類算法。在分析固定窗方法與圖像分割方法的不足的基礎之上，進一步提出了基于像素點二階鄰域特征的組合核支持向量機學習算法(spatial-contextual composite kernelsupport vector machine，SCCSVM)，通過迭代和鄰域信息的提取來自動平衡空間信息與光譜信息，從而得到最好的分類結(jié)果。此外，為