基于改进SVM算法的高分辨率遥感影像分类

针对面向对象高分辨率遥感影像分类样本维数多、数据量大的特点,提出了一种简单的支持向量机(support vector machine,SVM)改进算法。首先对原始样本数据进行主成分分析(principal component analysis,PCA)实现降维,对降维后的样本数据进行SVM分类器训练,利用网格搜索法得出降维数据的最佳参数;以此参数作为基准,对基于原始样本数据的SVM分类器参数搜索范围进行重新设定,从而快速获取原始样本数据的最佳SVM分类器参数,并实现分类。利用2景World View2高分辨率影像分别对城市土地利用以及林木树种进行分类实验,比较分析传统SVM算法、仅基于PCA降维样本数据的SVM算法以及改进的SVM算法在分类精度与效率方面的差异。实验结果表明,改进的SVM算法能够快速有效地寻找最佳SVM分类器参数,并获得较高的分类精度。

基于SVM和PWC的遥感影像混合像元分解

支持向量机与两两配对方法结合可分解遥感影像混合像元。首先支持向量机的输出值转化为两两配对的后验概率,再由两两配对的概率值求得多类后验概率,最终像元所属类别的后验概率作为地物的组分信息。利用多波段遥感数据验证了此方法的可行性,并将结果与线性分解模型进行比较。结果表明,SVM与PWC结合进行混合像元分解在准确性方面优于一般线性模型的精度,并且此方法可用于图像分类中。

一种改进的SVM决策树及在遥感分类中的应用

针对遥感图像分类问题提出了一种基于遗传算法和K近邻的SVM决策树方法。算法以基于类分布的类间分离性测度为准则,利用遗传算法对传统的SVM决策树进行优化,生成最优(较优)决策树。在分类阶段,对容易分的节点利用SVM进行分类,而对可分离性差的节点采用SVM和K近邻相结合的分类方法,最终实现多类别分类。实验结果表明,与传统的分类方法相比,该算法的实验效果较好,可有效地提高遥感图像的分类精度。

基于模糊聚类SVM的混合像元分类方法

针对遥感影像分类过程中混合像元难判别的问题,提出一种基于Gustafson-Kessel模糊聚类算法的支持向量机(SVM)分类模型.以Gustafson-Kessel算法优选训练样本方式提高支持向量机的分类性能.为验证其有效性,将该模型应用于森林覆盖类别分类,并与标准支持向量机模型分类结果对比.实验结果表明,该方法能提高支持向量机对混合像元划分的精度.

SVM结合模糊方法在遥感图像分类中的应用

提出一种支持向量机(SVM)结合模糊方法的遥感图像分类算法。首先介绍了SVM基本算法及其在遥感图像分类中应用情况,然后针对SVM多类判别存在混分和漏分的缺陷,对混分和漏分样本采用模糊方法判决分类。实验证明该方法的分类精度优于单一的SVM方法、模糊方法或神经网络方法。

MNF和SVM在遥感影像计算机分类中的应用

由于黄土高原地形复杂,单纯采用监督分离变换MNF(Minimum Noise Fraction)变换得到的4个去除噪声波段、归一化植督分类方法很难获得理想的精度,以延安市区为实验区,以TM遥感图像的最小噪声被指数NDVI和该地域的DEM作为数据源,采用支持向量机SVM(Support Vector Machine)的方法对研究区土地利用与覆盖状况进行分类,获得了较理想的分类结果。

基于ETAFSVM的高光谱遥感图像自动波段选择和分类

提出了一种新型的具有良好特性的支持向量机——全间隔自适应模糊支持向量机(TAFSVM),并提出一种新的遗传算法——智能遗传算法(IGA)来设计一个TAFSVM分类器,称为ETAFSVM,同时优化高光谱遥感图像自动波段选择和TAFSVM参数集,并且结合5-fold交叉验证来确定其泛化能力,最后将ETAFSVM应用于高光谱遥感图像数据。通过先进行自适应波段选择后再用径向基神经网络分类器、K-最近邻分类器和标准支持向量机等3种方法进行全部分类精度比较,以及与这3种方法直接进行类别分类精度和平均分类精度比较,其结果表明运用ETAFS-VM不仅可以自动进行波段选择,而且分类精度较高,对Hughes现象敏感性较低,是进行高光谱遥感图像分类的一种有效方法。

遥感图像森林类型小波纹理的SVM法分类

利用遥感图像对森林类型进行分类是大面积地调查、监测、分析森林资源的快速与经济的方法,但由于不同森林的光谱特征非常相近而较难准确分类。因此,在GPS数据和高分辨率遥感图像的支持下,对水源林LandsatTM遥感图像用窗口法获得阔叶林、针叶林和竹林样本图像,然后计算其小波分解后小波系数的l1范数纹理测度构成分类特征向量,利用支持向量基SVM进行分类。结果表明,利用SVM对图像中阔叶林、针叶林和竹林分类平均精度在80%以上,可较准确地识别森林类型,图像总体分类精度达到90.2%,Kappa系数0.77,均比利用小波纹理特征的神经网络法和最大似然法有所提高,森林分类错误产生的主要原因是混交林造成两类森林间存在交集。该方法可以较有效地提高遥感图像森林类型的分类精度。

遥感图像林型纹理特征的ICA与SVM分类

遥感图像纹理特征是光谱相近林型准确分类的有效方法,然而其带来分类特征向量维数增加和计算量增大。因此,对南方山区林地TM图像进行独立成分分析ICA降维,通过计算灰度共生矩阵获取纹理特征,使用SVM分类,研究林地类型的快速分类方法。结果表明,ICA与SVM法利用遥感图像纹理特征可较准确地实现林地类型分类,分类总精度、Kappa系数分别为85.4%、0.73,均高于SVM法、BP神经网络法、最大似然法、最小距离法;其对阔叶林、针叶林、竹林的分类精度依次为78.2%、80.1%、84.3%,误识率主要是由于混交林而造成两类林地之间存在交集,易出现的针阔混交林使得阔叶林、针叶林的分类精度低于竹林。

网格环境下分布式SVM遥感图像分类器模型研究

为了充分利用网格技术分布式、高性能、协同共享的能力,设计了一种基于网格和支持向量机的分布式图像分类器模型,采用网格计算技术,统筹网络运算资源,结合支持向量机在有限样本统计分类中的优势,探索网格技术在图像分类中的应用。以对遥感图像目标物体的特征提取为例,实现基于分布式计算的图像分类过程,基于.net环境的实验结果表明,该模型提高了数据密集型图像分类速度和处理效率。

基于核函数原型和自适应遗传算法的SVM模型选择方法

针对现有SVM模型选择方法中人为指定核函数类型导致SVM模型性能难以达到最优的问题,提出了核函数原型的概念,并在此基础上提出一种基于核函数原型和自适应遗传算法的SVM模型选择方法.该方法针对具体问题选择最优的核函数,有效地提高了SVM模型的性能;同时该方法通过动态调整遗传算法的控制参数,提高了SVM模型选择方法的稳定性.在5个标准SVM数据集和遥感图像上的实验证明了该方法的有效性和稳定性.

基于FCM和SVM的TM遥感影像自动分类算法

遥感影像分类是遥感信息提取和定量化分析的重要手段,是目前遥感技术研究中的一个热点.以TM遥感影像为研究对象,提出了一种基于模糊C均值聚类和支持向量机的自动分类方法,解决了以往利用SVM等监督分类方法训练样本时需要人工选择样本且样本难以选定的问题,比FCM等非监督聚类算法的分类精度高.该方法首先对待分类的遥感影像用FCM算法进行初始聚类,然后根据聚类后得到的隶属度矩阵设计一种算法,选取其中的混合像元作为标注的训练样本,并送入SVM分类器进行训练.最后通过一块TM遥感影像对该方法进行验证.试验结果表明,该方法减少了人工对分类过程的干预,具有较高的分类效率和分类精度.

基于支持向量机的遥感图像分类研究综述

遥感技术是目前用于研究地球矿产资源与能源的重要技术手段,遥感图像分类在遥感技术应用中起着关键作用。支持向量机(Support Vector Machines,SVM)是基于VC维(Vapnik-Chervonenkis Dimension)理论和结构风险最小化原理的机器学习方法,已被广泛应用于实际的遥感影像分类中。对国内外学者对此做的大量研究成果进行了系统的总结。对基于支持向量机的遥感图像分类方法进行了层次性梳理,不但纵向分析和比较了每类方法的原理及优缺点,而且对各类方法进行了横向比较和分析,较为系统和完整地概括了基于支持向量机的遥感影像分类方法的研究现状。最后指出了支持向量机算法应用于遥感图像分类的未来发展方向。

基于改进转换分离度特征选择规则的土地覆盖分类比较

【目的】提出一种考虑样本概率的可分离距离与波段相关系数结合的特征选择方法,以提高土地覆盖分类的正确率。【方法】以中亚热带区域的福建省将乐县为研究区,从Landsat-8 OLI影像中获取植被指数和纹理特征,利用改进方法和传统方法选择出最佳特征,通过比较最佳特征参与下植被类别的可分离值,判别2种方法在特征选择时的准确度;采用支持向量机分类方法(SVM)分别对原始光谱和改进方法选择的最佳特征进行分类,探索最佳植被指数和纹理特征在提高地区土地覆盖分类中的作用。【结果】改进可分离性判据在避免选择冗余波段的同时,能准确选择出具有更高区分度的特征;对于植被指数和纹理特征,单一特征均不能使植被类别可分性达到最大,而2个特征组合可明显提高植被类别的可分性;比值植被指数及小窗口的反差、协方差和二阶矩纹理特征比同窗口其他纹理对提高研究区植被分类精度具有更重要的价值;植被指数加入原始光谱并没有明显提高研究区的整体分类精度,而纹理特征与原始光谱结合对提高植被分类精度相当有价值,最佳植被指数、最佳纹理特征和原始光谱结合可取得最佳分类结果,整体分类精度提高7.41%,Kappa系数(OKA)提高8.5%。【结论】基于改进转换分离度特征选择规则的土地覆盖分类方法能平衡所有类别间的可分性,较好避免选择相互冗余的特征,从而保证选择出具有较高的多类别可分性且冗余较小的特征,提高类别分类的正确率。

基于卷积神经网络模型的遥感图像分类

研究了遥感图像的分类,针对遥感图像的支持向量机(SVM)等浅层结构分类模型特征提取困难、分类精度不理想等问题,设计了一种卷积神经网络(CNN)模型,该模型包含输入层、卷积层、全连接层以及输出层,采用Soft Max分类器进行分类。选取2010年6月6日Landsat TM5富锦市遥感图像为数据源进行了分类实验,实验表明该模型采用多层卷积池化层能够有效地提取非线性、不变的地物特征,有利于图像分类和目标检测。针对所选取的影像,该模型分类精度达到94.57%,比支持向量机分类精度提高了5%,在遥感图像分类中具有更大的优势。

感兴趣区域遥感图像分类与支持向量机应用研究

提出了基于SVM的遥感图像分类方法并构建了分类模型,该方法以唐山1∶50000TM局部图为分类数据来源,由用户选择感兴趣的区域,分别提取该区域绿地、公共用地和房屋的图像特征,并以此为训练样本进行训练,采取交叉校验的方法获得SVM的最优惩罚因子C和间隔γ参数进行图像分类。实验结果表明,此分类方法准确率高、稳定快捷,是SVM在遥感图像分类中的一个很好的应用。

新的分布式遥感图像分类器系统开发

为实现分布式的遥感图像分类,达到计算的高性能,提出一种利用决策树SVM和网格技术实现遥感图像分类的解决方案。通过共享计算资源,将经预处理后的遥感数据切割成块并分别分配到网格计算节点进行并行计算。针对比例尺为1∶50 000的TM遥感图像的实验表明,此方案提高了分类效率,并为海量遥感数据的分类开辟了一条新的途径。

基于支持向量机的遥感图像分类研究

支持向量机(SupportVector Machine,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。

基于特征向量的遥感影像自动分类研究

为了实现高分辨率遥感影像自动分类及进一步提高非监督分类的精度和效率,提出了一种训练样本自动选取的面向对象自动分类方法。首先利用均值漂移算法对遥感影像进行分割,获取同质性分割单元;然后对分割对象进行多特征(光谱特征、纹理特征和形状特征)提取,基于特征向量的几何距离进行训练样本自动选择,进而利用支持向量机分类器得到分类结果。实验研究表明,提出的面向对象自动分类算法不但可以利用影像对象丰富的特征信息,而且较好地避免了"椒盐现象",使自动分类的精度和效率得到较大提升。

一种构造系数的自相关函数特征提取算法

由于遥感影像具有数据量大、维数高和不确定性等特点,遥感影像的分类已经远远超出了人的分析和解译能力,为了达到理想的分类效果,提取深层次空间结构信息的需求越来越强烈。根据各类样本的均值和方差构造加权系数,对样本的自相关函数进行加权,提出1种新的自相关函数特征提取算法,以改善样本不足造成的分类精度较低问题;采用支持向量机方法,对新的样本数据进行训练与分类性能研究。实验结果表明分类精度提高,在一定程度上能够反映遥感影像的深层次空间结构信息,验证了此算法的有效性与可行性。