基于支持向量機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現(xiàn)各種實際應(yīng)用的前提。傳統(tǒng)的模式分類方法以經(jīng)驗風(fēng)險最小化為歸納原則，只有當(dāng)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，針對高光譜圖像分類的特點，對支持向量機方法及其在高光譜圖像分類中的應(yīng)用進行了深入的研究，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類別的亮度差異性測量。文中提出引入像素光譜角度作為混合差異性測量，同時具有全局特性。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是為了便于求解而對標(biāo)準(zhǔn)支持向量機進行的擴展，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)，極大地簡化了計算，但這一擴展導(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的基礎(chǔ)上，提出針對訓(xùn)練樣本向量值的層狀分布進行雙邊加權(quán)，對于遠(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構(gòu)造最優(yōu)分類面的影響。雙邊的加權(quán)方式對類別差異造成的影響也進行了相應(yīng)的補償。而且由于一部分松弛因子趨于零，進而改善了權(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