SVM在遥感影像中的应用.docVIP

作业2 SVM在遥感影像中的应用 1.支持向量机 支持向量机SVM ( Support Vector Machines)是由Vanpik领导的ATTBell实验室研究小组在1963年提出的一种新的非常有潜力的分类技术, SVM是一种基于统计学习理论的模式识别方法，主要应用于模式识别领域.由于当时这些研究尚不十分完善,在解决模式识别问题中往往趋于保守,且数学上比较艰涩,因此这些研究一直没有得到充的重视.直到90年代,一个较完善的理论体系—统计学习理论 ( StatisticalLearningTheory,简称SLT) 的实现和由于神经网络等较新兴的机器学习方法的研究遇到一些重要的困难,比如如何确定网络结构的问题、过学习与欠学习问题、局部极小点问题等,使得SVM迅速发展和完善,在解决小样本 、非线性及高维模式识别问题中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中.从此迅速的发展起来，现在已经在许多领域（生物信息学，文本和手写识别等）都取得了成功的应用。 SVM的关键在于核函数，这也是最喜人的地方。低维空间向量集通常难于划分，解决的方法是将它们映射到高维空间。但这个办法带来的困难就是计算复杂度的增加，而核函数正好巧妙地解决了这个问题。也就是说，只要选用适当的核函数，我们就可以得到高维空间的分类函数。在SVM理论中，采用不同的核函数将导致不同的SVM算法。 2.高光谱遥感分类 支持向量机（Support Vector Machine,SVM）作为一种最新的也是最有效的统计学习方法，近年来成为模式识别与机器学习领域一个新的研究热点。SVM具有小样本学习、抗噪声性能、学习效率高与推广性好的优点，能够用于解决空间信息处理分析领域的遥感影像处理。遥感图像分析与处理是SVM应用一个热门的研究方向，一些主要应用如土地利用分类、混合象元分解、遥感影像融合、多光谱/高光谱遥感分类等。 目前针对高光谱数据进行分类还是仅仅局限于传统的分类方法，不但运算速度慢，分类精度低，而且出现了严重的huges现象。而在高光谱遥感分类中SVM具有明显的优越性，因此SVM应用被归纳为高光谱遥感分类最重要的进展之一。但总体上来看，国内对SVM应用于高光谱分类的研究还处在起步阶段。本文研究了支持向量机在高光谱遥感图像分类中的应用，建立了一种基于支持向量机的高光谱遥感图像模型。实验结果表明，该分类器与神经网络、最小距离分类器相比具有一定的优势，是一种有效的高光谱遥感图像分类方法。 3.影像融合 随着多种遥感卫星的发射成功，从不同遥感平台获得的不同空间分辨率的影像金字塔序列，给遥感用户提供了从粗到精、从多光谱到细分光谱段的对地观测数据源。在卫星遥感成像系统中，要同时获得光谱、空间和时间的高分辨率是很难的，各种传感器图像实质上都是分辨率有损压缩信息，即每一种传感器所获得的遥感数据只反映了事物的一个或几个方面的特性，因此如何将同一个地区各种特性影像的有用信息聚合在一起是当前亟待研究的课题。遥感影像事例是解决多源海量数据富集表示的有效途径之一。近几年，在影像融合方法上已有许多研究，目前比较一不能致的看法是把影像融合分为3个层次：像素级、特征级和决策级。对于像素影像融合以及特征影像融合的研究颇多，这些研究都取得了较好的效果。决策级影像分类融合是一种高水平的融合技术，效果最好，难度最大，这方面的研究较少主要集中在基于贝叶斯估计、神经网络、证据理论等方面的融合研究。 4.遥感空间特征信息分类和提取 遥感空间特征信息分类和提取主要方法包括在领域知识和地理辅助信息支持下的数理统计、神经网络、基于符号逻辑推理方法、分形等。一般过程是：首先通过预处理获得影像的基本空间特征分布，然后用提取模型对其中的结构单元进行学习记忆，最后提取影像结构信息，还可进一步加入一定的辅助知识获得影像结构信息，还可进一步加入一定的辅助知识获得其有关的属性，比如通过地形因子进行综合判别，进行推断、判别、决策。其中，提取模型是关键。人工神经网络方法（ANN）主要包括反向传播神经网络（BPNN）和自组织映射神经网络（ARTMAP）.但对于 高维、复杂映射的特征提取问题，BPNN存在学习速度慢，难以收敛、网络无反馈记忆等问题ARTMAP具有自组织反馈、增量式学习、高度复杂映射等特点，与BPNN相比较，更接近于模拟人的感知记忆系统，因此适合于应用在高维空间的映射和分类中。但由于ARTMAP自组织增量式的学习方式，遇到高度复杂的数据集会使网络急剧膨胀，影响特征提取的效率，另外ARTMAP同样有神经网络难以对结果作解释的缺陷。 SVM方法不同于常规统计和神经网络方法，它不是通过特征个数变少来控制模型的复杂性。它提供了一个与问题维数无关的函数复杂性的有