基于FSVM的高光谱遥感影像分类算法研究

摘要

遥感技术是现代化高科技之一，它极大地拓展了人们的观测视野，丰富了对地观测信息的来源。近年来随着遥感技术的不断发展，尤其是高光谱遥感的出现，给遥感界带来了一场重大的革命，极大地扩展了遥感的应用领域。因此对高光谱遥感技术的研究有着广泛的理论意义和应用价值，一直是遥感领域的研究热点和焦点。
　　 对高光谱遥感数据分类是遥感数据分析和信息提取的重要方法。针对支持向量机适用高维特征、小样本的优越性，是一种极具潜力的高光谱遥感分类方法，但由于其易受噪声影响致使分类精度不高的情况、目前常用遥感数据分类中只利用光谱特征的情况和采用支持向量机进行分类中不同特征向量具有相同权重的情况，本文提出了一种基于模糊支持向量机的多特征高光谱遥感图像分类算法，以期获得较好的分类精度。
　　 基于模糊支持向量机的分类算法选用光谱特征和纹理特征作为样本的特征向量。对于这两种不同的特征，根据在分类中的重要程度不同采用不同的权重对不同的特征进行归一化处理。权重的选择是根据类内不同特征的各向异性来度量的，即用各个特征在样本与类别中心距离的投影和样本与类别中心距离的比值来确定。在进行样本训练时，首先以每个像素为中心，选取9*9的矩阵子图，求取该子图的纹理特征作为该样本的纹理特征，利用波段指数方法求取图像的光谱特征，然后求取每类样本的聚类中心。对每个聚类中心求取他们与该类其他样本之间的光谱和纹理特征的权重平均值作为该类的多特征权重。在分类时，先对每一个测试样本进行特征加权，即对每个测试样本在进行完归一化处理后，再乘以对应于该类的权值作为特征向量，再进行分类。分类算法采用模糊集与支持向量机相结合的方法，即将模糊隶属度作为松弛变量的系数，用惩罚因子与模糊隶属度的乘积来度量重要性不同的错分误差程度，其中对模糊隶属度的确定采用测试样本动态添加至各个类别，通过计算添加样本前后方差变化的大小来度量。针对于多类分类问题，采用一对一的分类方法设计分类器。
　　 本文经过AVIRIS高光谱遥感图像作为实验数据得出分类后的混淆矩阵和Kappa系数，经过分析看出基于模糊支持向量机的多特征高光谱遥感图像分类算法取得了比较好的效果，相对于标准的支持向量机分类算法，其分类的列精度、行精度及总体精度提高了3％～10％。

目录

文摘

英文文摘

声明

第1章绪论

1.1课题研究的背景及意义

1.2国内外研究现状和发展趋势

1.2.1高光谱图像光谱数据降维方法发展现状

1.2.2高光谱遥感图像分类方法发展现状

1.2.3本文研究内容和结构安排

第2章高光谱图像特征及分类方法

2.1高光谱图像特征提取及特征选择方法

2.1.1高光谱图像光谱特征选择方法

2.1.2高光谱图像光谱特征提取方法

2.1.3高光谱纹理特征提取方法

2.2高光谱图像分类方法

2.2.1基于光谱匹配的分类方法----波谱角填图

2.2.2支持向量机(Support Vector Machine,SVM)

2.3高光谱图像分类评价方法

2.3.1混淆矩阵

2.3.2分类精度

2.4本章小结

第3章高光谱遥感图像的多特征提取及选择

3.1实验背景及使用工具软件

3.2高光谱图像分类的基本过程

3.3高光谱图像的特征提取

3.3.1高光谱影像光谱特征提取方法

3.3.2高光谱影像光谱特征提取实验过程

3.3.3基于灰度共生矩阵的纹理特征提取实验过程

3.3.4不同特征归一化加权方法及实验

3.4本章小结

第4章基于模糊SVM的高光谱遥感图像分类

4.1模糊支持向量机

4.2模糊支持向量机中模糊隶属度的确定方法

4.3基于多特征模糊支持向量机的高光谱影像分类流程

4.4实验过程

4.5实验结果与分析

4.6本章小结

总结和展望

致谢

参考文献

攻读硕士学位期间发表及完成的论文