基于支持向量机的高光谱遥感图像分类方法研究

摘要

随着对地观测技术的发展，光谱遥感技术成为人们获取地表信息的重要手段。高光谱遥感作为一种新型的遥感方式，在军用和民用领域都发挥着极其重要的作用。高光谱图像分类是高光谱信息处理的重要方向，高精度的分类算法是实现各种应用的前提。高光谱图像以其高分辨率、多波段数、大数据量的特点给传统图像分类技术带来了巨大的挑战。由于支持向量机在小样本、非线性和高维空间中展现出良好的分类性能，本文重点研究了基于支持向量机的高光谱遥感图像分类方法，主要工作包括：
　　(1)介绍了遥感研究的背景，综述了成像光谱技术的发展、高光谱遥感分类的传统方法和支持向量机的研究现状。
　　(2)讨论了高光谱图像的成像机理和高光谱图像的数据表达，对高光谱数据的特点进行了分析，总结了高光谱数据处理的特点。重点综述了高光谱图像分类的基本概念，对监督分类与非监督分类，硬分类和软分类，单分类和多分类等分类策略进行了概括，对分类单元选择、分类判据选择、分类器选择做了分析。
　　(3)传统的机器学习方法是基于经验风险最小化原则来设计的，其应用的前提是需要足量的学习样本数目。而基于统计学习理论的支持向量机能够克服小样本学习的束缚。论文介绍了最优化理论，分析了支持向量机在线性可分、线性不可分时的不同模型设计，指出了核技术在解决非线性问题中的作用。将支持向量机的设计方法应用到高光谱图像分类中来，取得了良好的分类结果。
　　(4)分析了支持向量机模型的选择和参数的确定对分类器性能的影响，以惩罚因子和核参数为优化对象，介绍了交叉验证和网格搜索的方法。最后，提出了一种基于粒子群算法的参数优化方法，通过对惯性权重的自适应改进和突变粒子的设计，避免了粒子陷入局部最优，优化了算法全局寻优的能力。以AVIRIS92AV3C的高光谱图像为分类实验数据，证明了方法的有效性，在一定程度上提高了分类精度。
　　(5)常规的高光谱图像分类技术专注于光谱空间的分类信息，忽视了图像空间的信息。本文提出了一种基于空谱一体化的高光谱分类方法，在对数据自身光谱特征分类的同时采用空间领域法、区域生长法和二值形态学法结合空间域的有效信息对光谱分类结果进行补充。实验证明本文方法能改善高光谱图像分类性能。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 研究背景

1.2 国内外研究现状

1.3 本文的主要内容和组织结构

第2章 高光谱图像分类概论

2.1 引言

2.2 高光谱遥感图像的形成与数据特点

2.3高光谱影像分类

2.4 本章小结

第3章 支持向量机理论

3.1 引言

3.2 最优化理论

3.3支持向量机模型

3.4 仿真实验

3.5 本章小结

第4章 支持向量机的参数优化

4.1 引言

4.2 模型参数分析与选择

4.3 粒子群算法

4.4 AVIRIS高光谱分类实验

4.5 本章小结

第5章 空谱一体化的高光谱分类技术

5.1 引言

5.2 空间领域法

5.3 区域生长法

5.4 二值形态学法

5.5 仿真实验

5.6 本章小结

第6章 总结和展望

6.1 总结

6.2展望

致谢

参考文献

附录:

作者在读期间发表的学术论文及参加的科研项目