支持向量机在遥感图像分类中应用研究综述.docVIP

支持向量机在遥感图像分类中应用研究综述 　　(1.中国矿业大学国土环境与灾害监测国家测绘局重点实验室，江苏徐州221116；2.中国矿业大学计算机科学与技术学院，江苏徐州221116；3.江南大学物联网工程学院，江苏无锡214122) 　　摘要：该文对多类分类支持向量机、模糊支持向量机、小波变换支持向量机及主动支持向量机在遥感图像分类中应用的情况进行了阐述及总结，并给出了支持向量机在遥感图像分类中应用的发展趋势。 　　关键词：支持向量机；遥感图像分类；模糊理论；小波变换；主动学习 　　中图分类号：TP75文献标识码：A文章编号：1009-3044(2012)18-4495-03 　　遥感技术是当前人类研究地球资源环境的一种主要技术手段,遥感图像分类是遥感技术应用的一个重要组成部分。支持向量机是Vapnik等人根据统计学习理论提出的一种学习方法，近年来在模式识别、回归分析和特征提取等方面得到了很多应用，表现出较强的性能。该文结合支持向量机及其改进模型在遥感图像分类中的应用情况加以总结和阐述，以供相关应用人员参考。 　　近年来支持向量机在遥感图像分类中得到较大程度的应用，且取得了较好的效果。下面分别从多类分类支持向量机、模糊支持向量机、小波变换支持向量机和主动支持向量机四个角度，对支持向量机及其改进算法在遥感图像分类中的情况加以概述。2.1多类分类支持向量机遥感图像分类 　　支持向量机本身是针对二类分类提出的，但实际应用中大多是多类别的分类情况，因此为了推广SVM算法在多类分类中的应用，人们提出了多类分类支持向量机模型。一般是构造一系列的两类分类器然后将它们组合在一起来实现多类分类[1]，其中两类分类器组合又有一对一和一对多两种方法。 　　Liu Liu等[2]基于SMO的一对一SVM，对武汉地区TM图像进行了分类实验，与最大似然法对比结果表明，SVM算法的分类精确度更好。谭琨等[3]选取一对一投票方法解决了SVM多类分类问题，然后应用MNF变换对图像进行预处理，选取了SVM几种核函数分别做实验。实验结果表明高斯RBF核函数的支持向量机效果最好。该算法结构简单、容易训练、收敛速度快、具有很高的分类精度，但是参数选取的速率以及参数准确性有待深入研究。 　　Heng-Nian Qi等[4]研究了半监督的多类分类支持向量机算法，并将其用于遥感图像分类。为了减少支持向量机对训练样本进行人工标注浪费的时间，作者加入了模糊C均值聚类算法用来自动标注样本。此算法一方面减少了人工标注样本的工作量，另一方面也避免了纯无监督学习算法可利用信息量少而导致分类效果的不确定性，得到了很好的分类精度。于宁锋等人[5]基于有向无环图(DDAG)的多类SVM算法，利用混合粒子群优化PSO算法对SVM的参数进行优化搜索，并应用于遥感图像分类，有效提高了分类 　　精度。但是，训练样本数的选取、特征波段数及适应值对PSO算法的影响还有待进一步深入研究。王纪珩等[6]先利用C均值聚类算法对遥感图像做预处理，再用SVM进行分类。实验结果表明，该方法一方面减少了误分像元，另一方面使分类边界更加光滑，分类精度相对于单一的SVM分类算法也得到了提高。赵春晖等[7]改进了最小二乘支持向量机用于高光谱遥感图像分类。作者用光谱角度匹配(SAM)的方法作为向量角度差异性测度，用欧氏距离方法作为向量亮度差异性测度，组合得到组合核函数,该核函数既具有较好的学习能力和推广能力，又可充分利用多维光谱所提供的信息。高恒振等[8]在最小二乘支持向量机（LS-SVM）中加入了基于光谱角度量的K-means聚类算法，对未标签样本集进行多次聚类，根据样本点被分在同一类的次数来构造包袋核函数，然后将得到的包袋核函数和RBF核函数通过加法加权和乘法运算分别进行组合，构造组合核函数。然后进行对比实验，实验结果表明改进后的LS-SVM性能更好，且乘法运算组合的核函数支持向量机性能优于加法加权组合的核函数支持向量机。谭琨等[9]应用J-M距离计算任意两类之前的分离性测度，然后根据分离性测度构造二叉树支持向量机，并与常用的多个多类支持向量机的分类算法进行了对比实验，实验结果表明,这种分类器结构简单,容易训练,收敛速度快,具有较高的分类精度，但是，在进行支持向量机分类时自动参数设计的问题有待研究。 　　2.2模糊理论结合支持向量机遥感图像分类 　　模糊理论是1965年，美籍伊朗著名控制论专家L.A.Zadeh提出的。目前学术界模糊支持向量机[10]有两种理解，第一种是在训练过程中引入模糊因子作用[11]，第二种是针对多义样本或漏分样本进行后处理的[12]。 　　郭春燕等[13]分析了多类支持向量机的局限性，针对其存在的不可分现象，在一对一SVM中引入了模糊隶属度函数，并进行了对比实验。实验