SVM支持向量机在遥感图像中的应用研究.pdf

第25卷 第3期 湖 南 城 市 学 院 学 报 (自然科学版 ) V0l1．25No．3 2016年5月 JOURNAL OFHUNAN CITY UNIVERSITY (NaturalScience) M av 2016 SVM支持向量机在遥感图像中的应用研究 纪 凯 1，韩 栋 (1．安徽交通职业技术学院，安徽 合肥 230051；2．法国格勒诺布尔计算机实验室，伊泽尔省格勒诺布尔市 38000) 摘 要：遥感图像分类是遥感图像处理领域中的一个重要的研究方向，随着传感器质量的不断提高，越 来越多高质量的遥感图像需要新的监督分类方法进行处理。常用的将svm二元分类器改进成为多级分类器的 方法有 “一对一”(oneagainstone，1-v一1)和 “一对多”(oneagainstall，1．v_a11)。本文将使用这两种方法进 行遥感图像分类研究，进行对比评价。结果发现在大多数情况下，第一种方法 “一对一”在计算速度和分类 精度方面要优于第二种方法 “一对多”。但是这种差别并不太显著，具体选择哪种方法也取决于实际情况。 关键词：图像分类；传感器；二元分类器 中图分类号：P237 文献标识码：A 文章编号：1672—7304(2016)03—0114—03 随着卫星技术的提高，大量遥感图像可以实 平面，且最大化这两个类与超平面的距离。SVM 时实地获取。90年代卫星遥感在全球和区域尺度 把 “内核诱导特征空间”的概念引入，通过内核 土地覆盖研究与应用方面取得了突破性进展，土 函数把数据映射到一个可分离的高维空间。内核 地利用覆盖遥感研究的新方法不断出现 。遥感数 函数通过样品的相似性，提供了比给定类的描述 据在土地资源分析和应用中的第一步是遥感图像 符合本身更多的信息。 分类 ，在满足一定精度的要求下，如何解决多类 对于一个二元分类问题，给定一个大小为／／ 别图像的识别是遥感图像研究中的一个关键问题 的训练集 ： 。 支持向量机 (SupportVectorMqchine，SVM) T={，) i∈锨 ， ∈{1~--1) 作为一种新的高效学习方法 ，是近十几年来发展 (1) 起来的一种统计学习理论，反映了结构风险最小 Xi， 分别是训练矢量和目标值砷 的第价 样 化原则，在遥感图像分类领域应用越广。相比传 本，且i=1，…，Ⅳc则分类超平面的定义是 ： 统的遥感图像分类方法计算速度慢，分类精度低 ， SVM具有小样本学习，稳定，准确和高效等特点， (14；， ))+b=0f21 成为遥感图像分类研究的热点。本文结合实际例 从数据集 映射到更高维的Hilbert希 子，使用SVM进行遥感图像分类，并对结果对比 尔伯特空间H， ．，．是在船 平面的点积，决定 评价。 函数，fX 是： 1支持向量机分类器 (=,ig4(w， ))+ 找到一个最佳超平面和两个预定义的类 1．1支持向量机 机器学习是为了使期望风险最小，因为可利 之间的最大间隔是支持 向量机的 目标 。可转化为 求解下面的二次优化问题来实现： 息只是有限样本 ，传统学习方法中运用了