基于支持向量机的遥感图像分类研究.docxVIP

基于支持向量机的遥感图像分类研究朱海洲贾银山(辽宁石油化工大学计算机与通信工程学院 ,抚顺 1 基于支持向量机的遥感图像分类研究 朱海洲 贾银山 (辽宁石油化工大学计算机与通信工程学院 ,抚顺 113001 ) 摘 要 支持向量机 ( Suppo rt V ec to r M ach ine, SVM )是一种基于统计学习理论的新型机器学习算法 。通过解算最优化问题 , 在高维特征空间中寻找最优分类超平面 ,从而解决复杂数据的分类及回归问题 。将支持向量机理论应用到遥感图像分类的 研究还处在初级阶段 ,传统分类算法应用于遥感图像分类存在运算速度慢 、精度比较低和难以收敛等问题 。从支持向量机基 本理论出发 ,建立了一个基于支持向量机的遥感图像分类器 。用遥感图像数据进行实验 ,并将结果与其它方法的结果进行了 比较分析 。实验结果表明 ,利用 SVM 进行遥感图像分类的精度明显优于神经网络算法和最大似然算法分类精度 。 关键词 支持向量机 中图法分类号 V443. 5; 遥感图像分类 神经网络 最大似然法 文献标志码 A 遥感技术是当前人类研究地球资源环境的一 种主要技术方法 ,遥感图像的分类一直被从事地理 信息研究人员所重视 。早期的图像分类是依靠研 究人员的目视 , 这种分类方法主要依靠个人经验 , 但存在着时效性差 , 容易受人为因素干扰等缺点 。 20世纪 90年代以来 ,人们将人工神经网络模型应 用到遥感图像分类中并取得了很大的进展 ,但神经 网络算法有其固有的缺点 ,如网络结构的确定尚无 可靠的规则 ,易陷入局部极小等 。为了提高遥感图 像分类精度 , 有必要寻找一些新的遥感图像分类 算法。 支持向量机作为一种新的也是有效的统计学 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 、推广性好等优点 [ 1 , 2 ] 。它根据 V ap 2 n ik的结构风险最小化原则 , 由有限训练样本得到 的决策规则对独立的测试集仍能够得到较小的误 差。 SVM 算法是一个凸二次优化问题 ,能够找到的 极值解就是全局最优解 [ 3 ] 。本文研究了基于支持 向量机的遥感图像分类 ,建立了一种基于支持向量 机的遥感图像分类模型 , 结果表明 , 该分类器具有 一定的优势 ,是一种有效的遥感图像分类方法。 1 支持向量机 1. 1 线性和非线性 支持向量机的基本思想是将实际问题通过非 线性变换将输入空间变换到一个高维的特征空间 , 然后在这个新的高维特征空间中构造线性判别函 数来实现原空间中的非线性判别函数 ,求取最优分 类超平面 ,该分类超平面不但能够将训练样本尽可 能正确分类 ,而且使训练样本中离分类面最近的点 [ 4 ] 到分类面的距离最大 ,即分类间隔最大 。 应用 SVM 理论对线性问题分析评估时 ,设给定 n 训练集为 { ( x1 , y1 ) , , ( xi , yi ) } ,其中 xi ∈R , yi ∈ { + 1 , - 1 }。假设该训练集可被一个超平面线性划 分 ,该超平面记为 : w ·x + w0 = 0 。其中 w 为权向 量 , w0 为阈值 。其中一类 ω1 中 yi = + 1 ,另一类 ω2 中 yi = - 1 ,这个超平面方程为 : yi (w ·xi + w0 ) - 1 ≥ 0。 将许多超平面拟合成一个超平面使其将两个 类分开 ,这个超平面优于其它任何一个超平面 (见 图 1 ) 。我们的目的就是在分类间隔中找到这个最 优分类超平面 ,支持向量到超平面的距离叫做分离 2010 年 2 月 20 日收到 第一作者简介 : 朱海洲 ( 1983 —) ,辽宁抚顺人 ,硕士研究生。 2 间隔 ,间隔等于 , 因此构造最优超平面使分 ‖w ‖ 科学技术与工 程10卷3660类间隔最大问题转化为 :N∑λi yi= 0 C ≥λi ≥ 0, i = 1, 2,, N 。s. t.1 ‖w ‖2i = 1m ax2在非线性问题中 , SVM 采用映射方法解决非线性问题 ,即通过非线性变换将输入空间不可分问题 转化为某个高维空间中的线性问 科 学 技 术 与 工 程 10卷 3660 类间隔最大问题转化为 : N ∑λi yi = 0 C ≥λi ≥ 0, i = 1, 2, , N 。 s. t. 1 ‖w ‖2 i = 1 m ax 2 在非线性问题中 , SVM 采用映射方法解决非线 性问题 ,即通过非线性变换将输入空间不可分问题 转化为某个高维空间中的线性问题 ,在变换空间中 求解最优分类面。只要满足 M e rce r条件的核函数 K ( xi ·x