基于ICA与SVM算法的高光谱遥感影像.pdfVIP

第30卷，第10期 光谱学与光谱分析 2010年10月 and October，2010 SpectroscopySpectralAnalysis 基于ICA与SVM算法的高光谱遥感影像分类 梁 亮，杨敏华。，李英芳 中南大学信息物理工程学院，湖南长沙410083 摘要提出了一种利用独市分量分析(ICA)与支撑向量机(SVM)算法进行高光谱遥感影像分类的新方法。 采用ICA算法对高光谱遥感影像(PHI传感器获取，80波段)进行了特征提取，并以提取出的影像数据(光 谱维数为20)构建SVM分类器。对SVM算法进行核函数删选与参数寻优后，发现采用RBF核的SVM算 法(c=103，y=0．05)分类结果最佳，分类精度与Kappa系数分别达94．5127％与0．9351，优于BP-神经网 5)、波谱角分类(分类精度80．282 9)、最小 络(分类精度39．4758％，Kappa系数0．315 6，Kappa系数0．770 距离分类(分类精度85．4627％，Kappa系数0．8277)以及最大似然分类(分类精度86．0156％，Kappa系数 0．835 1)4种方法。针对分类结果常出现的“椒盐”现象，利用形态学算子对svM(RBF核)分类结果进行了 类别集群处理，将分类精度与Kappa系数分别提高至94．7584％与0．9380，获得了更接近实况的分类图 像。结果表明：ICA结合SVM算法准确率高，是高光谱遥感影像分类的优选方法，且类别集群足优化影像 分类的自．效方法之一。 关键词高光谱；分类；支撑向量机(SVM)；独立分量分析(ICA)；类别集群 中图分类号：TP751．1文献标识码：A 在特征信号的提取与光谱维度的压缩方面，独市分最分析 (independent 引 言 component 高压缩率的同时能很好地保持数据的特征挣11。。因此，如果 高光谱遥感技术是20世纪80年代遥感领域最大的成就将ICA与SVM算法结合起来设计分类器，将可成功实现高 之一，它使空I’日J对地观测时可获取连续波段的地物光谱图像 光谱遥感影像海量信息的特{：If!提取，并在分类过程中有效避 以实现地表物体的准确识别，从f『li在环境监测、海洋遥感、 生态调查、精准农业、大气研究以及只标分类等众多领域获 SVM算法的优点设计分类模趔，并针对分类后图像通常所 得了广泛的应用【l’5J。但由于高光谱影像包含的地物细节信 出现的“椒盐”现象(分类区域存在斑点或未分类的卒洞)，采 息极为丰富，而传统的统计模式识别方法是基于大数定理， 用类别集群的方法，运用形态学算子对分类图像进行侵蚀操 在其分类识别中往往困难以获得足够的训练样本而影响到各 作，以获得逼近实况的分类影像，从而为高光谱遥感影像的 类别先验知识估计的准确性。且高光谱影像的光谱维数很 分类提供一种新的方法。 高，分类时易因Hughes现象(维数灾难)而无法获得理想的 结果，从而导致了利用高光谱数据进行地物分类识别存在一 1算法原理与实验方法 系列的fuJ题。 vectormachine， 在分类识别中，支持向量机(support 1．1独立分量分析原理 S_Ⅵ订)学习方法在解决小样本、非线性及高维模式识别中表 ICA是近年来发展起来的一种新的盲信号分离技术m1。 盲信号分离系指