基于FSVM的高光譜遙感影像分類算法研究.pdf

1、遙感技術(shù)是現(xiàn)代化高科技之一，它極大地拓展了人們的觀測視野，豐富了對(duì)地觀測信息的來源。近年來隨著遙感技術(shù)的不斷發(fā)展，尤其是高光譜遙感的出現(xiàn)，給遙感界帶來了一場重大的革命，極大地?cái)U(kuò)展了遙感的應(yīng)用領(lǐng)域。因此對(duì)高光譜遙感技術(shù)的研究有著廣泛的理論意義和應(yīng)用價(jià)值，一直是遙感領(lǐng)域的研究熱點(diǎn)和焦點(diǎn)。
　　 對(duì)高光譜遙感數(shù)據(jù)分類是遙感數(shù)據(jù)分析和信息提取的重要方法。針對(duì)支持向量機(jī)適用高維特征、小樣本的優(yōu)越性，是一種極具潛力的高光譜遙感分類方法，但由

2、于其易受噪聲影響致使分類精度不高的情況、目前常用遙感數(shù)據(jù)分類中只利用光譜特征的情況和采用支持向量機(jī)進(jìn)行分類中不同特征向量具有相同權(quán)重的情況，本文提出了一種基于模糊支持向量機(jī)的多特征高光譜遙感圖像分類算法，以期獲得較好的分類精度。
　　 基于模糊支持向量機(jī)的分類算法選用光譜特征和紋理特征作為樣本的特征向量。對(duì)于這兩種不同的特征，根據(jù)在分類中的重要程度不同采用不同的權(quán)重對(duì)不同的特征進(jìn)行歸一化處理。權(quán)重的選擇是根據(jù)類內(nèi)不同特征的各向異

3、性來度量的，即用各個(gè)特征在樣本與類別中心距離的投影和樣本與類別中心距離的比值來確定。在進(jìn)行樣本訓(xùn)練時(shí)，首先以每個(gè)像素為中心，選取9*9的矩陣子圖，求取該子圖的紋理特征作為該樣本的紋理特征，利用波段指數(shù)方法求取圖像的光譜特征，然后求取每類樣本的聚類中心。對(duì)每個(gè)聚類中心求取他們與該類其他樣本之間的光譜和紋理特征的權(quán)重平均值作為該類的多特征權(quán)重。在分類時(shí)，先對(duì)每一個(gè)測試樣本進(jìn)行特征加權(quán)，即對(duì)每個(gè)測試樣本在進(jìn)行完歸一化處理后，再乘以對(duì)應(yīng)于該類的

4、權(quán)值作為特征向量，再進(jìn)行分類。分類算法采用模糊集與支持向量機(jī)相結(jié)合的方法，即將模糊隸屬度作為松弛變量的系數(shù)，用懲罰因子與模糊隸屬度的乘積來度量重要性不同的錯(cuò)分誤差程度，其中對(duì)模糊隸屬度的確定采用測試樣本動(dòng)態(tài)添加至各個(gè)類別，通過計(jì)算添加樣本前后方差變化的大小來度量。針對(duì)于多類分類問題，采用一對(duì)一的分類方法設(shè)計(jì)分類器。
　　 本文經(jīng)過AVIRIS高光譜遙感圖像作為實(shí)驗(yàn)數(shù)據(jù)得出分類后的混淆矩陣和Kappa系數(shù)，經(jīng)過分析看出基于模糊支持