一种基于融合核函数支持向量机的遥感图像分类.pdf

第 48卷第3期 东 北 师 大 学 报 (自 然 科 学 版 ) Vo1．48No．3 2016年 9月 JournalofNortheastNormalUniversity(NaturalScienceEdition) September2016 [文章编号]1000—1832(2016)03—0060—07 [DOI]IO．16163／j．enki．22—1123／n．2016．03．012 一 种基于融合核函数支持向量机的遥感图像分类 古丽娜孜 ·艾力木江 ，孙铁利。，乎西旦 (1．伊犁师范学院电子与信息工程 学院，新疆 伊 宁 835000； 2．东北师范大学地理科学学院，吉林 长春 130024； 3．东北师范大学计算机科学与信息技术学院，吉林 长春 130117) [摘 要] 从核 函数选取规则着手，结合遥感数据本身特征 ，将具有互补性的几种核函数融合 在一起 ，提 出了一种复合核函数构造方法．通过实验数据与传统支持向量机方法比较，结果表 明了复合核方法的有效性． [关键词] 支持向量机 ；遥感数据 ；核函数 ；光谱 [中图分类号] TP391．1 [学科代码] 520·30 [文献标志码] A 遥感图像 的分类是遥感数据研究领域的重要部分 ，如何解决并提高样本 间的分类精度是遥感数据 应用的关键 ，具有较强的实际研究意义． 遥感数据技术通过获取大尺度 、动态 、宏观的各类专题图，对土地覆盖检测提供有利的数据．与此 同 时，由于地理空间数据的不确定性和复杂性等特征，异物同谱现象和同物异谱现象，使得专题 图数据表 达得有些模糊和不确定性 ，从而加大了信息提取工作 的难度．_l1伽精确与时时地土地覆盖分类遥感数据 的提取不仅与数据质量和分辨率有关 ，同样也与分类技术有关 4【]．因此 ，提高遥感数据分类精度 已经引 起了很多人对遥感研究领域的关注L6]．基于统计模式的分类方法，Vapnik提 出支持 向量机 (SVM)方 法 ，以计算量较低而在非线性分类问题很受欢迎并成为热点的研究算法 ，也是模式识别领域最为活跃的 一 个机器学习算法．E6-93同样在维数高、数据不确定性等遥感数据处理领域里也显 出了其优势[1 ]．目 前 ，SVM不管是在图像分类~13-14]，还是在土地覆盖分类 、森林类型检测 、农业作物监测 、道路信息提取等 领域都被广泛使用n 引．尽管如此 ，SVM分类方法仍有进一步优化改进并完善的研究空间，这跟 SVM 本身设计原理息息相关．当要解决具体问题时，首先应考虑数据集的特征和分类问题 的性质，如果核函 数的选择及其参数选定不当，则将直接影响分类结果，有的需靠经验知识 ，有的只能 自己手工调整． 不管是哪一类核函数 ，它的性能一般就在核函数的本身．因此 ，特定领域的分类问题靠核函数 的选 择及其他的参数．若随意地选了核函数 ，则该核函数模型的推广性将会受影响，甚至影响到样本的分类 效率．[23-27]所以，针对特定的数据集和数据来源 ，根据先验知识和经验，选择合适的核 函数 ，分类精度必 然会提高． 本文提出一种根据核 函数本身的性质与构造原理来构建复合核 函数．应用 SVM 在进行图像分类 时，基于线性核、多项式核、径 向基核、感知器核(s型核)的分类结果与本文提出的复合核函数下的分类 结果进行了对 比研究． 1 SVM 学习方法 SVM是统计学习理论 中最重要 的学习方法 ，仅从分类的角度来分析的话 ，SVM是一种广义的线性 [收稿 日期] 2015一O9—18 [基金项 目] 国家 自然科学基金资助项 目；新疆高校科研计划重点研究项 目(XJED；吉林省科技发展计划 项 目；伊犁师范学院院级重点项 目(2015YSZD04)． [作者简介] 古丽娜孜 ·艾力木江(1972一)，女，博士研究生，副教授 ，主要从事模式识别与遥感数据分类研究． 第 3期 古丽娜孜 ·艾力木江 ，等 ：一种基于融合核函数支持 向量机的遥感 图像分类 61 分类器 ，在该分类器的基础上 ，经过引入结构风险最小化 、最优化和核方法