基于LSTSVM的高光譜圖像分類方法研究.pdf

1、地物目標分類技術(shù)是高光譜遙感圖像處理的一個重要分支，隨著社會的快速發(fā)展，人們對分類精度和分類效率的要求也日益提高。高光譜圖像分類是根據(jù)每個像元的特征屬性，為其指定地物類別，如今，分類方法日益豐富，但高光譜圖像分類技術(shù)依然存在著關(guān)鍵性問題：（1）高光譜圖像數(shù)據(jù)的維數(shù)一般較高，運算量大；（2）包括標準SVM在內(nèi)的一些分類算法在選取訓練樣本集來對分類器進行訓練時，采用的是隨機抽取的方法，沒有考慮到訓練樣本間的差異性，導致在選取的訓練樣本集中存

2、在冗余，分類效率低；（3）現(xiàn)有的融合空間-光譜信息的分類模型中，一般都只利用一種空間信息，沒有對原圖像所包含的空間信息進行充分利用，如將光譜信息與紋理信息或與形態(tài)結(jié)構(gòu)信息進行融合，等等?；谝陨蠁栴}，本文主要研究基于最小二乘孿生支持向量機（Least Square Twin Support Vector Machine, LSTSVM）的高光譜圖像分類算法，在一對余（one-against-rest,1-a-r）多分類結(jié)構(gòu)的基礎(chǔ)上，對“

3、-1”類訓練樣本集通過距離計算，去除其中心區(qū)域樣本，以提升分類效率；同時，為了充分利用原始高光譜圖像所包含的信息，本文將紋理信息、結(jié)構(gòu)信息與光譜信息進行融合用于LSTSVM分類。實驗表明，本文所提的改進融合空間-光譜信息的樣本縮減LSTSVM分類算法不但可以提高原分類器的分類效率，而且可以使分類精度得到有效提升。本文主要內(nèi)容如下：
　　首先，對高光譜圖像的課題研究背景、研究意義以及分類技術(shù)的國內(nèi)外發(fā)展現(xiàn)狀進行介紹；
　　其次

4、，在介紹標準支持向量機（Support Vector Machine,SVM）、孿生支持向量機（Twin Support Vector Machine,TWSVM）分類原理的基礎(chǔ)上，詳細介紹LSTSVM的分類原理，并對標準SVM和LSTSVM算法進行實驗仿真，結(jié)果表明，LSTSVM的分類性能好于標準SVM；
　　再次，提出基于樣本縮減的LSTSVM（Sample Reduction LSTSVM,SR-LSTSVM）改進分類算法。

5、該改進算法在1-a-r多分類結(jié)構(gòu)的基礎(chǔ)上，首先計算“-1”類訓練樣本集中每個樣本到其對應中心的距離。其次對“-1”類訓練集中的樣本按照計算距離值的大小進行升序排序。然后根據(jù)預縮減率剔除對應中心距離值較小的“-1”類訓練樣本。最后將縮減后的“-1”類訓練集與原始的“+1”類訓練集組成新的訓練樣本集來對LSTSVM分類器進行訓練和分類。仿真結(jié)果表明，該改進算法可以在有效縮短分類時間的同時又基本不影響分類精度；
　　然后，提出一種改進的

6、融合空間-光譜信息的LSTSVM分類模型。首先使用主成分分析（Principal Component Analysis,PCA）算法來對原始數(shù)據(jù)進行主成分變換，并對前三主成分數(shù)據(jù)進行存取。然后，使用4個不同尺寸的圓形結(jié)構(gòu)元素（Structure Elements,SE）分別對前三主成分的每一主成分數(shù)據(jù)進行形態(tài)學開操作和閉操作，獲得其擴展形態(tài)學剖面（Extended Morphological Profiles,EMP）數(shù)據(jù)，EMP數(shù)據(jù)中

7、不僅包含原始高光譜圖像的形態(tài)結(jié)構(gòu)信息，也包含其絕大多數(shù)的光譜信息。隨后，使用Gabor濾波器在第一主成分數(shù)據(jù)上獲取紋理信息。最后，將 EMP數(shù)據(jù)與Gabor紋理數(shù)據(jù)進行融合，用于LSTSVM分類。仿真結(jié)果表明，該改進的LSTSVM分類模型不但可以顯著地提高分類精度，而且還可以降低所要處理的數(shù)據(jù)維數(shù)，一定程度上減少了運算量；
　　最后，將樣本縮減策略與改進融合空間-光譜信息的LSTSVM分類模型進行結(jié)合，形成改進的融合空間-光譜信息