基于支持向量機(jī)的高光譜圖像分類研究.pdf

1、高光譜圖像分類是高光譜應(yīng)用中的核心技術(shù)之一，快速、高精度的高光譜圖像分類算法是實(shí)現(xiàn)各種實(shí)際應(yīng)用的前提。傳統(tǒng)的模式分類方法以經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化為歸納原則，只有當(dāng)樣本數(shù)趨于無窮時(shí)，其性能才能達(dá)到理論上的最優(yōu)。然而在高光譜圖像分類中，訓(xùn)練樣本通常是有限的。本文借助支持向量機(jī)方法在小樣本、非線性及高維特征空間中具有良好的分類性能，針對(duì)高光譜圖像分類的特點(diǎn)，對(duì)支持向量機(jī)方法及其在高光譜圖像分類中的應(yīng)用進(jìn)行了深入的研究，主要工作包括： 首先，核

2、函數(shù)是支持向量機(jī)的核心，核函數(shù)又分為局部核函數(shù)與全局核函數(shù)兩大類，不同的核函數(shù)將產(chǎn)生不同的分類效果。常用的核函數(shù)RBF只具有局部性，根據(jù)像素間歐氏距離作為兩個(gè)類別的亮度差異性測(cè)量。文中提出引入像素光譜角度作為混合差異性測(cè)量，同時(shí)具有全局特性。新型的組合式核函數(shù)既具有較好的學(xué)習(xí)能力，又能充分應(yīng)用高光譜圖像所提供的信息。 其次，最小二乘支持向量機(jī)是為了便于求解而對(duì)標(biāo)準(zhǔn)支持向量機(jī)進(jìn)行的擴(kuò)展，它通過將原不等式約束的二次優(yōu)化問題轉(zhuǎn)化成等式

3、約束的線性系統(tǒng)，極大地簡(jiǎn)化了計(jì)算，但這一擴(kuò)展導(dǎo)致解喪失了稀疏性和穩(wěn)健性。文中在充分理解最小二乘支持向量層狀分布特點(diǎn)的基礎(chǔ)上，提出針對(duì)訓(xùn)練樣本向量值的層狀分布進(jìn)行雙邊加權(quán)，對(duì)于遠(yuǎn)離分類面的非支持向量增加其閾值，減小了這部分向量的權(quán)值，減弱了非支持向量對(duì)構(gòu)造最優(yōu)分類面的影響。雙邊的加權(quán)方式對(duì)類別差異造成的影響也進(jìn)行了相應(yīng)的補(bǔ)償。而且由于一部分松弛因子趨于零，進(jìn)而改善了權(quán)值矩陣的稀疏性，加快了分類速度。 最后，文中系統(tǒng)總結(jié)了現(xiàn)有的六種