基于支持向量机的高光谱图像分类研究与实现

论文总字数：15172字

目 录

1、引言 (3)

2、支持向量机 (4)

3、支持向量机分类 (5)

4、基于高斯核的支持向量机 (7)

5、基于组合核的支持向量机 (9)

6、总结 (12)

参考文献 (13)

基于支持向量机的高光谱图像分类研究与实现

吴刚

，China

Abstract：The development of the spectrometer has been accelerated by the further development of the image processing, while the emergence of support vector machines has reduced the trouble of processing high spectral images. Therefore, more and more researches have been done on this aspect. Image processing is involved in all aspects of people‘s production and life. , therefore, to find effective methods to improve image classification accuracy, reduce the number of each land cover class hyperspectral characteristics of large spatial variability, the influence of atmosphere, and the influence of the dimension has become the current hot research topic in the field of science and industrial production. In the methods that are used frequently, the high spectral image classification has a high resolution and can detect the subtle spectra of ground objects. It allows us to observe the spectral characteristics that were not observed in the wide band in hyperspectral remote sensing. In this paper, we mainly analyze and study the classification methods of hyperspectral images and some factors that influence classification by SVM.

Key words：Support vector machine; Image feature extraction; Image feature space

1.引言

随着科技的发展在上世纪80年代出现了关于高光谱的遥感技术。高光谱遥感技术的原理是首先通过使用成像光谱仪在各种光谱信息范围（可见光、各种红外光等）内找到相似的光谱曲线，然后再把能描述地面物体的几何位置关系信息和表现地面物体基本属性特征的光谱信息联系在一起，这样我们能很好的提取地面物体的更多细节信息。后来随着科技的快速发展，现在的成像光谱仪的分辨率达到了很高的水平，这可以让人们更加容易深入了解到地面物体的相关光谱属性特征，因为分辨率高，所以我们能更容易发现一些隐藏在很狭小的光谱范围里的特征信息。因为有了这些因素使遥感技术的发展得到了很大的加快。这也让高光谱遥感在现如今的遥感领域起着至关重要的作用，是今后我们学习研究的热点方向之一。

然而对于多光谱而言，现在的高光谱遥感所能观测的光谱波段的范围是很广的，因此我们可以选择其中的一段特定的波段进行分析实验，以来显示它的地面物体的特征，并且还能比较精确的解决地面物体的光谱信。现在国家也对高光谱遥感研究特别重视，进行了很多科研研究，也有了一定的成果。高光谱遥感技术快速发展，正从地面遥感向航空航天遥感发展，而且在精细农业.资源勘探和农作物检测.地图绘制等各领域起着至关重要的作用。所以我们要加大对高光谱遥感技术的研究。

高光谱遥感图像有很多优点，而最重要的还是它的分辨率很高，这样对传统的图像分类造成了很大的影响。而在实验中我们常常增加高光谱波段的维数，这不但給数据的存储和传输带来很大负担，而且在这个过程中大量的多余信息还存在于各波段之间，这样让以前传统的图像分类算法在高光谱的图像分类中并不适用。传统分类方法和高光谱分类的差异是，传统分类算法的时间复杂度很高、过程中的计算量大，这些都是因为它需要大量的知道类别的训练样本。在我们实验中需要选择较少的训练样本，这样的话传统的分类算法就不是很适用，在实验中我们要求要有较高的分类精度，所以现在我们在高光谱领域主要攻坚目标就是减少运算量并且提高分类精度。

在实验研究高光谱遥感中因为遥感图像有数目很大的波段，并且这些波段之间还有很大的联系性，所以我们在处理这些遥感图像之前，降低空间维度是必不可少的，这样我们就可以减少其中的冗余信息和实验的数据空间维度，这样并且还对图像的解译和物体识别有很大的好处。因而这给我们在研究高光谱遥感时提供了好的方法。

图像分类有着很高的研究应用价值，并且图像分类在图像应用里占有重要作用，所以在图像应用技术方面应用很广。现在的图像分类分为两类：第一种是根据文本信息分类，而第二种则是根据其中的内容分类的。根据文本信息分类是因为它其中有人为的标注文本，我们可以以这个分类，但是随着时间的增长，人为的标注信息也会增多，这就导致数据量太大让全图的人工标注变得不可行。并且其中含有的大量语义信息因为观察的人不同而造成解读的不同。所以这种方法早就不能满足我们现在的图像分类识别要求；根据图像内容分类是以图像里的内容进行分类研究的方式，每个图像都有自己的特征信息，我们根据这个来分类。而这一种分类又有两种不同的分类模式：第一种模型是通过图像的基本表面信息分类的，比如：大小、颜色和纹理轮廓等。第二种分类是在前面的基础之上加入了图像中各部分的空间关系等信息，并通过这些来分类。在这些分类中，根据图像内容分类有着能更好的表达图像中的深层语义信息、分类准确率较高的特点。在本篇文章里，在这里我主要分析并研究了根据图像内容即像素的高光谱图像分类，以支持向量机为工具基础进行实验研究。

随着科技的快速发展图像处理越来越重要，人们对图像处理的深入，和对支持向量机的理解，让我们加大了对高光谱图像分类的研究。人们生产生活的方方面面都有图像分类的渗透，这使其应用背景很广。现在我们发射了各种各样的遥感卫星，它们为我们提供着大量的遥感信息，而这些信息提供的数据又有不确定、数量大等特点，给我们研究带来了很大的麻烦。但是支持向量机的出现为我们提供了一种解决方法。支持向量机能运用到高光谱的图像处理是由于它有着抗噪声性能高、小样本学习、推广性强和学习效率高的特点。这些在在高光谱图像分类中有非常明显的优势。

因此，在高光谱图像分类中如何有效使图像分类准确，减少每个土地覆盖类的高光谱特征的空间变异性、大气的影响、维度的影响成为了当前科学领域以及工业生产领域的研究热点。本文研究了两种核函数的图像分类：一种是高斯核；另一种是组合核。是按照核函数的选择不同进行图像分类的。他们都有减小了空间特性和维度对图像分类影响的优点。而支持向量机的理论基础确是非线性基础，它间接地利用了内积核函数的代替了分线性映射，为我们在研究后面避免了维数灾难。

在这些经常使用的方法中，高光谱图像分类分辨率高，因此使用它可以让我们探测出地面物体的精细光谱，而且还可以用它在高光谱遥感中探测到原本宽波段中不能探测的光谱特征。

本文就是把支持向量机作为一种分类工具，主要分析研究了高光谱图像分类的分类方法和影响分类的一些因素。也分析介绍了高斯核和组合核的异同。

现在的支持向量机种类很多，但是通过看它是否线性与可分可以分为三类：线性可分、线性不可分和非线性。随着高光谱图像技术的发展,高光谱图像分类已经广泛的应用到生活中．现有的理论方法对于较复杂的高光谱图像分类还存在一定的局限性,所以研究分析更有针对性的高光谱图像分类方式,将是此后的一个主要研究方向。

2.支持向量机

现在统计分类和回归分析方面运用得特别多。因为它的优势有可以解决分线性问题、可以解决小样本问题、还可以应用到高维模式识别中，在函数拟合等机器学习中也应用很广泛。支持向量机的优点是既能使经验误差最小化又能使几何边缘区域最大化。在实验的时候，我们通过将实验向量映射到高维的特征空间里，在这个空间里我们可以找到很多相互平行的超平面，在这些超平面里我们找到两个超平面使数据能被它们分离开且超平面间的距离最大，这就是最大间隔超平面。在学习支持向量机方法之前，我们必须提前做一些有关机器学习的知识储备。我们学习的支持向量机就是以这个为基础建立的。

支持向量机是在有限的样本信息的情况之下，通过模型的复杂性（即特定训练样本的分类准确率）和各图像的分类准确率（没有差错的识别各个样本的能力）之间找到最佳的平衡点，这样使我们的分类方法能运用得更加广泛。我们假设，我们寻找到的分类超平面间的距离越大，那这个分类方法越好、分类的准确率越高。我们讲的支持向量其实就是寻找到的分类超平面边缘的训练样本点。支持向量机中的“机”，是因为在机器学习人工智能领域，我们把有些算法看作是一种机器。

我们在了解了支持向量机之后，会发现它与神经网络类似的，它们都是一种基于学习型的模式。它们之间的差异性是，支持向量机使用的是一种数学方法，从而达到我们想要的优化结果的技术。但是支持向量机的一个大的特色就是，在我们求解优化问题时提出了所求问题的对偶问题。而对偶问题又分三种：拉格朗日对偶、最小对偶和最大对偶。支持向量机这种方法的关键是核函数。我们实验常是在低维空间中进行，而这样我们的向量集却很难划分，要想解决这个方法，我们可以把向量集映射到高维空间里。但是这样也会添加一些困难，比如使我们计算量增加使计算更加复杂。然而核函数的出现刚好为我们解决了这个困难。换句话的意思是，如果我们选择恰当的核函数，就可以通过计算得到高维空间里的分类函数。在现在的支持向量机理论中，我们的支持向量机算法因为核函数的不同而不同。

我们在实验中会产生误差，当我们确定了核函数时，其实在核函数的确定过程中，我们也会产生一些误差，这个是不可避免的。为了使它应用更加广，我们加入了松弛变量和惩罚系数来对它进行校正。当核函数确定时，通过实验次数的增加，得到数据越多，这样我们就可以根据这些数据确定这两个量。到了这里这个研究就差不多能适合相近的学科应用了，并且还有一定的广泛性。通过我们对误差的理解，这里有的误差，属于绝对误差，因此不可避免。在有了上面的这些知识的基础上，我们会发现支持向量机其实就是一种简单的分类算法，在这里面我们又引入了核函数来理解。

剩余内容已隐藏，请支付后下载全文，论文总字数：15172字

相关图片展示：