遥感图像分类中SVM样本缩减与信息融合方法研究

发布时间：2024-02-21 21:48

　　高光谱图像在实现监测、勘探等目标的重要前提是分类技术,其中从统计学习理论中发展起来的支持向量机,以结构风险最小化作为理论基础,避免了过学习造成分类器过于复杂,丧失泛化性的问题,尤其在有限样本的情况下仍然具有良好的分类性能。而核函数的引入,也为解决线性不可分问题提供了最佳的解决途径。然而,支持向量机的优化效率较低却是阻碍该方法广泛应用的主要因素,特别是一些特定领域的应用中对实时性有较高的需求,这将严重影响该方法的实用价值。最小二乘支持向量机对原始支持向量机进行了改进,在优化条件中用等式约束代替不等式约束,从而大大降低了问题求解的复杂性。虽然最小二乘支持向量机降低了求解的复杂度,却将所有训练样本都作为支持向量参与未知样本的预测,导致该算法在预测新样本时速度较慢。同时传统分类器主要理由光谱数据进行训练以及分类,忽略了对地物空间相关性的挖掘,造成信息获取不充分的缺陷。基于以上问题,经过对高光谱图像分类的深入的研究,本文从基本保持分类精度不降低的前提下,对支持向量机训练过程进行改进,缩短分类过程所需时间。在此基础上,将原始分类结果进行与空间相关信息的融合,进一步提高分类精度,本文主要工作包括:首...

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题研究背景和目的意义
        1.1.1 研究背景
        1.1.2 课题研究的意义
    1.2 遥感图像成像技术的发展及数据介绍
        1.2.1 成像光谱技术
        1.2.2 高光谱图像的特点
    1.3 遥感图像分类方法的发展
    1.4 主要研究内容及文章结构
第2章 高光谱图像分类理论
    2.1 经典监督分类方法
        2.1.1 最小距离分类法
        2.1.2 光谱角匹配分类法
        2.1.3 最大似然分类
    2.2 基于支持向量机的遥感图像分类
    2.3 分类方法的评价与本文实验数据
        2.3.1 遥感图像分类方法的评价
        2.3.2 实验运行的环境
        2.3.3 本文采用的数据源
    2.4 实验结果及分析
    2.5 本章小结
第3章 支持向量机基本理论
    3.1 支持向量机理论基础
        3.1.1 VC维理论
        3.1.2 结构风险最小化原则
    3.2 SVM分类原理
        3.2.1 线性分类问题
        3.2.2 广义线性分类问题
        3.2.3 非线性分类问题
    3.3 最小二乘支持向量机基本理论
    3.4 多类分类原理
        3.4.1 1-a-r型多分类SVM
        3.4.2 1-a-1型多分类SVM
    3.5 本章小结
第4章 基于库仑力的训练样本缩减策略
    4.1 库仑力模型下的样本缩减策略
        4.1.1 库仑力模型基本原理
        4.1.2 线性库伦力缩减策略
        4.1.3 非线性库仑力投影缩减策略
    4.2 实验结果及分析
        4.2.1 两地物分类
        4.2.2 多地物分类
    4.3 本章小结
第5章 结合空谱信息的分类结果改进模型
    5.1 马尔科夫随机场
    5.2 空谱结合分类器模型
        5.2.1 基本原理
        5.2.2 实验内容与结果分析
    5.3 本章小结
结论与展望
参考文献
攻读硕士学位期间发表的论文和取得的科研成果
致谢



本文编号：3905942