基于克隆选择支持向量机高光谱遥感影像分类.pdfVIP

第33卷，第3期 光谱学与光谱分析 20 l and March，2013 3年3月 SpectroscopySpectralAnalysis 基于克隆选择支持向量机高光谱遥感影像分类技术 刘庆杰1’2，荆林海h2，王梦飞3，蔺启忠1’2 1．中国科学院对地观测与数字地球科学中心，北京100094 2．中国科学院数字地球重点实验室，北京 100094 3．中国国土资源航空物探遥感中心，北京100083 vector machine，SVM)高光谱影像分类的一个重要环节，参数设置的效率 摘要作为支持向量机(support 和精度直接影响到SVM模型训练效率和最终分类精度。本文首先建立一个s、刁讧高光谱影像分类器，提出 了利用免疫克隆选择算法优化的交叉验证进行核函数参数和惩罚因子C的优化选择的方法，得到了一种基 selection 于克隆选择优化的支持向量机(clonal SVM，CSSVM)高光谱影像分类器。然后将CSSVM与传统 search 的基于网格搜索交叉验证的支持向量机(gird SVM，GSSVM)分类器进行了对比评价，评价指标包括 模型训练时间和分类精度等。最后基于AVIRIS高光谱遥感影像进行了两算法分类对比试验，结果表明：提 出的CSSVM测试样本总分类精度超过85．1％和Kappa系数超过0．8213，影像总分类精度超过81．58％和 Kappa系数超过0．772 良分类精度的基础上，极大提高了模型的训练效率。 关键词高光谱；支持向量机；核参数选择；克隆选择；网格搜索；分类 中图分类号：TP751．1文献标识码：A 域。SVM模型选择问题涉及到核函数及其核参数和惩罚因 引 言 子C等参数的设置[8]，对训练SVM分类的精确度有重要的 影响。常用的SVM模型选择方法主要是利用网格搜索的交 高光谱遥感利用卫星和航空平台获取地物精细的连续光 叉验证(GSs、礓嗄)反复训练s、—订，得到最优的分类器，该方 谱信息，为地物的自动分类与动态监测提供了丰富的数据基 法可靠性高但也比较耗时[8]。将SVM参数选取看作参数的 础，是地图制图、植被调查、农业遥感、环境监测等领域的 组合优化[93问题，遗传算法[10]、人工免疫[9]等智能优化算法 有效技术手段[1]。其“图谱合一”数据特点，给传统遥感图像 已逐步在SVM的模型选择中得到应用。 处理提出挑战：统计模式识别与神经网络方法主要基于大数 免疫克隆选择算法是模拟自然免疫系统功能的一种新的 定理；高光谱数据地面细节信息极其丰富，易导致小样本问 智能方法，引入了亲和度成熟、克隆和记忆机理，确保算法 题；高光谱影像特征维数高，分类时存在维数灾难和Huge能快速地收敛到全局最优解[11|，表现出比遗传算法等优化 现象等[2]。模式识别、人工智能等学科新理论的发展为高光 算法更优越的优化搜索性能。目前在数据分析、旅行商问 谱影像数据处理提供新的支撑。 题、入侵检测等领域得到较好的应用，也初步用于遥感影像 支持向量机(SVM)是在VC维理论和机构风险最小原的分类研究。 理基础上发展出的一种模式识别方法，在解决小样本、非线 针对SVM应用于高光谱遥感影像分类时遇到的模型选 性及高维模式识别中表现出特有的优势，已应用于许多领 择的时间效率问题，提出了一种基于克隆选择算法优化交叉 域，也是高光谱遥感影像分析和