遙感圖像分類中SVM樣本縮減與信息融合方法研究.pdf

1、高光譜圖像在實現(xiàn)監(jiān)測、勘探等目標的重要前提是分類技術，其中從統(tǒng)計學習理論中發(fā)展起來的支持向量機，以結構風險最小化作為理論基礎，避免了過學習造成分類器過于復雜，喪失泛化性的問題，尤其在有限樣本的情況下仍然具有良好的分類性能。而核函數(shù)的引入，也為解決線性不可分問題提供了最佳的解決途徑。然而，支持向量機的優(yōu)化效率較低卻是阻礙該方法廣泛應用的主要因素，特別是一些特定領域的應用中對實時性有較高的需求，這將嚴重影響該方法的實用價值。最小二乘支持向量

2、機對原始支持向量機進行了改進，在優(yōu)化條件中用等式約束代替不等式約束，從而大大降低了問題求解的復雜性。雖然最小二乘支持向量機降低了求解的復雜度，卻將所有訓練樣本都作為支持向量參與未知樣本的預測，導致該算法在預測新樣本時速度較慢。同時傳統(tǒng)分類器主要理由光譜數(shù)據(jù)進行訓練以及分類，忽略了對地物空間相關性的挖掘，造成信息獲取不充分的缺陷。
　　基于以上問題，經(jīng)過對高光譜圖像分類的深入的研究，本文從基本保持分類精度不降低的前提下，對支持向量機

3、訓練過程進行改進，縮短分類過程所需時間。在此基礎上，將原始分類結果進行與空間相關信息的融合，進一步提高分類精度，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現(xiàn)價值，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行分類中存在的問題，也介紹了為解決這些問題，國內外學者不斷努力提出的新方法。
　　其次，突出了支持向量機在遙感圖像分類中的適用性，與傳統(tǒng)手法需要海量訓練數(shù)據(jù)相比，支持向

4、量機可以在有限訓練樣本情況下訓練出性能優(yōu)良的判決函數(shù)，通過實驗數(shù)據(jù)驗證了這一點。
　　再次，全面的介紹了原始以及最小二乘支持向量機的基本原理，并通過分析其優(yōu)勢和存在的問題，針對最小二乘支持向量機以全部訓練樣本參與判決的缺陷，構建了一種基于庫倫力的樣本縮減策略，在保證或提高分類精度的基礎上，有效提高分類器效率，通過仿真實驗表明，本文樣本縮減策略可以大大縮減分類時間。
　　最后，介紹了馬爾科夫隨機場的基本原理，并在本文提出的縮減