支持向量機遙感圖像分類的研究.pdf

1、圖像分類是人們獲取信息的一種重要的手段,傳統(tǒng)的分類方法是以經(jīng)驗風險最小化為歸納原則,只有當訓練樣本數(shù)趨于無窮時,其性能才能達到理論上的最優(yōu)。然而在遙感影像分類中訓練樣本往往是有限的。當樣本不足時,傳統(tǒng)的分類方法往往不能達到理想的分類效果。
　　 與傳統(tǒng)統(tǒng)計學相比,統(tǒng)計學習理論是一種專門研究小樣本情況下機器學習規(guī)律的理論。支持向量機(SVM)方法是建立在統(tǒng)計學習理論基礎之上的,克服了神經(jīng)網(wǎng)絡分類和傳統(tǒng)統(tǒng)計分類方法的許多缺點,具有較

2、高的泛化能力。支持向量機是數(shù)據(jù)挖掘中的一項新技術,是借助于最優(yōu)化方法解決機器學習問題的新工具。它通過引入核映射方法,有效克服了“維數(shù)災難”和“過學習”等困難,較好的解決了非線性問題。與傳統(tǒng)的人工神經(jīng)網(wǎng)絡相比,支持向量機理論體現(xiàn)了結(jié)構(gòu)風險最小化原則,它不僅結(jié)構(gòu)簡單,泛化能力強,而且能較好的解決小樣本、高維數(shù)據(jù)和局部極小等實際問題,因其易用、穩(wěn)定和具有相對較高的精度而得到廣泛的應用。
　　 支持向量機的核心思想就是選擇適當?shù)挠成?將

3、學習樣本非線性映射到高維空間,然后在高維空間里創(chuàng)建具有低VC維的最優(yōu)分類超平面。支持向量機通過綜合考慮經(jīng)驗風險和置信范圍的大小,根據(jù)結(jié)構(gòu)風險最小化原則尋求最佳折衷,從而得到風險上界最小的分類函數(shù)。
　　 本文以試驗區(qū)的地物分類為研究背景,建立了支持向量機的算法框架,并分別使用多項式核函數(shù)(PolynomialKernel),徑向基核函數(shù)(RadialBasisKernel)、Sigmoid核函數(shù)以及線性核函數(shù)(LinearKer

4、nel)四種核函數(shù)對圖像進行了多類別分類實驗。文中對支持向量機算法進行了理論上的分析并具體使用C++程序設計語言進行了實現(xiàn)。為了檢驗采用支持向量機進行圖像分類的效果,本文特別選擇了在專業(yè)的遙感軟件下采用最小距離(MinimumDistance)法和最大似然估計(MaximumLikelihoodEstimation)法對實驗數(shù)據(jù)進行圖像分類。將這兩種算法和支持向量機算法分類后的效果進行了對比,證明支持向量機算法在準確率、推廣能力等方面具