一种基于支持向量机和主成分分析的多光谱图像的分类方法

多光谱图像分类方面,由于普通的SVM方法没有考虑多光谱图像具有高维度和冗余的特点,因此难以实现令人满意的分类精度．本文提出了一种基于SVM和主成分分析相结合的多光谱的图像分类方法．并用5幅6波段两类地形的多光谱图像进行实验．实验结果表明,这种分类方法与普通的SVM方法相比提高了多光谱图像的分类精度．     

基于模糊支持向量机的超光谱遥感图像分类

支持向量机（SVM）应用到超光谱图像分类中有较好的识别效果，但它在解决多分类问题时，存在不可分区域的局限性．为此提出了一种基于一对一SVM的模糊支持向量机，并将该方法应用到超光谱图像分类实验，结果表明该方法不仅改善了不可分区域的存在问题，而且比传统的SVM在分类精度上有明显的提高．     

一种基于光谱与纹理特征的多光谱遥感图像地物分类方法

基于光谱特征对高分辨率多光谱遥感图像进行地物分类易形成噪声,提出一种光谱特征与纹理特征相结合的地物分类方法。首先基于光谱特征与纹理特征利用四叉树技术,对图像进行分块处理,以图像块的方式提取地物的光谱特征和纹理特征,然后采用支持向量机(support vector machine,SVM)对图像块进行地物分类,并通过区域增长方法对边缘区域进行处理,使得分类区域边界清晰。对Quickbird多光谱遥感图像进行实验,实验结果表明,该方法地物分类结果精度较高、区域一致性强、噪声少。     

基于WT-MB方法的OLI图像融合——以宁夏回族自治区吴忠市的OLI图像和P5图像为例

为解决Landsat 8 OLI多光谱图像和CBERS-04 P5全色图像的融合问题,设计了一种基于WT-MB变换的融合方法;以宁夏回族自治区吴忠市的图像融合为案例,从定量评价、目视判读评价和SVM分类精度评价3个方面比较WT-MB变换方法与GS、PCA、MLT、Brovey变换方法的融合效果,然后以总体精度和Kappa系数评判融合图像的分类精度.实验结果表明:WT-MB变换方法在增强融合OLI图像的空间结构信息的同时,更有效地保持原OLI图像的光谱信息,提高了图像分类精度,能够更准确地服务于环境遥感监测.     

基于分水岭的高光谱图像分类方法

近年来,高光谱图像的分类受到了广泛的关注,许多机器学习的方法都在高光谱图像上得到了应用,如SVM、神经网络、决策树等.为了提高分类精度,通常将图像的光谱信息与空间信息结合起来进行分类.本文提出了如何利用分水岭分割得到的空间信息来得到更精确的分类结果.首先利用分水岭得到图像区域信息,然后根据一个区域中是否含有训练样本而采取不同的策略得到该区域中所有点的类别.本文在两幅图像上分别用SVM和联合稀疏表示对该方法的有效性进行验证,实验结果表明该方法优于其他一些同类方法.     

融合多尺度纹理特征森林资源信息提取

基于SPOT-5多光谱和全色影像进行图像融合,构造NDVI植被指数,提取多尺度纹理特征并参与分类;基于SVM方法进行森林资源植被分类.结果表明:高通滤波(HPF)为最佳的图像融合方法,与单尺度纹理与光谱信息融合的分类相比,多尺度纹理与光谱信息融合的分类方法总精度提高了3%,验证了新方法的可行性.     

一种改进的多类支持向量机超光谱图像分类方法

支持向量机（SVM）是建立在统计学理论基础上的一种机器学习方法,用于解决二类分类问题,如何有效地将其推广到多类分类问题是一个正在研究的课题．总结了现有的主要的支持向量机多类分类算法,并在1-a-1SVM分类算法基础上提出一种二次分类的方法．改良了惩罚因子,提高了不易分的类别之间的可分程度．通过对超光谱图像进行分类实验,结果表明该方法具有较高的分类精度．     

基于多尺度LBP和复合核的高光谱图像分类方法

为了更好地利用高光谱图像的纹理特征信息,提出了一个基于多尺度LBP和复合核的高光谱图像分类方法.利用LBP的两个最佳尺度来提取高光谱图像的纹理特征,将得到的空间纹理信息输入高斯核函数中,得到两个空间核,与直接提取光谱信息得到的光谱核结合在一起组成一个复合核,将这个复合核输入支持向量机(Support Vector Machine,SVM)进行分类得到分类结果.结果表明,在Indian Pines和Pavia University这两个真实的数据集上分类精度分别达到0.994 8和0.991 8,明显优于其他同类杰出的高光谱图像分类方法.     

基于支持向量机的遥感图像分类研究

支持向量机(Support Vector 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.     

多层局部感知卷积神经网络的高光谱图像分类

针对高光谱图像分类中光谱特征的高度非线性问题,提出一种基于多层感知器卷积层和批标准化层的改进卷积神经网络模型,提高模型在光谱域处理的非线性特征提取能力.该算法通过构建七层网络结构,实现多层局部感知结构,逐个像素对光谱信息开展分析,区分不同目标物的光谱信息,将全光谱段集合作为输入,舍去空间信息,利用动量梯度下降训练算法对多层局部感知卷积神经网络训练,实现对不同目标物体光谱特征的提取与分类.实验中,采用两组高光谱遥感影像进行对比分析,以Pavia University数据集为例,在3 600个训练样本情况下,测试集为1 800个样本,本文方法正确率为90.23%,LeNet-5正确率为87.94%,Linear-SVM正确率为90.00%;在21 000个训练样本情况下,测试集为全部样本,本文方法正确率为97.23%,LeNet-5正确率为96.64%,Linear-SVM正确率为92.40%.实验结果表明,在训练集较小的情况下,本文方法优于传统神经网络,能有效提取数据特征,并且在精度上和计算成本上略优于在小样本分类中具有高效和鲁棒性良好的SVM算法.在大规模训练集时,本文方法表现出良好的学习能力,在分类精度上优于LeNet-5.本文提出的多层局部感知网络结构增强了对非线性特征的学习能力,无论训练集规模大小,都比传统的SVM和一般的深度学习网络更能有效的利用高光谱图像中的逐像素点的光谱域信息,能有效提高分类精度.     

D-SS Frame: deep spectral-spatial feature extraction and fusion for classification of panchromatic and multispectral images

Facing the very high-resolution( VHR) image classification problem,a feature extraction and fusion framework is presented for VHR panchromatic and multispectral image classification based on deep learning techniques. The proposed approach combines spectral and spatial information based on the fusion of features extracted from panchromatic( PAN) and multispectral( MS) images using sparse autoencoder and its deep version. There are three steps in the proposed method,the first one is to extract spatial information of PAN image,and the second one is to describe spectral information of MS image. Finally,in the third step,the features obtained from PAN and MS images are concatenated directly as a simple fusion feature. The classification is performed using the support vector machine( SVM) and the experiments carried out on two datasets with very high spatial resolution. MS and PAN images from WorldView-2 satellite indicate that the classifier provides an efficient solution and demonstrate that the fusion of the features extracted by deep learning techniques from PAN and MS images performs better than that when these techniques are used separately. In addition,this framework shows that deep learning models can extract and fuse spatial and spectral information greatly,and have huge potential to achieve higher accuracy for classification of multispectral and panchromatic images.     

一种基于Pauli分解和SVM的全极化SAR监督分类算法

全极化SAR影像准确分类的一个重要前提是充分提取反映地物实际物理性质的特征。然而现有的全极化SAR特征提取算法和分类算法众多,却均存在各种各样的问题。无论极化特征提取方法还是分类算法,都会影响最终的分类精度。针对此问题,在多次实验的基础上,提出一种综合Pauli极化特征分解和SVM的分类策略,简称为Pauli-SVM算法。首先通过经典的Pauli分解法提取全极化SAR影像的奇次散射、偶次散射、体散射等极化特征,并将这些信息组合成一个特征向量,然后引入高精度的SVM分类算法,选择训练样本后对全极化SAR影像进行监督分类。在江苏溧水和南京横溪镇两个研究区,以ALOS卫星的PALSAR影像为研究数据,进行监督Wishart分类算法、Freeman特征提取法结合SVM的分类算法、Yamaguchi特征提取法结合SVM的分类算法、Pauli-SVM算法的分类对比实验。结果表明,新提出的Pauli-SVM算法可以有效的提高分类的准确性。     

WKICA算法在多光谱遥感特征提取中的应用研究

多光谱遥感图像具有高度冗余、非线性化的特点。对其进行有效的特征提取是完成精确目标分类的前提。基于核方法强大的非线性映射能力,提出一种小波核独立成分分析WKICA算法。WKICA算法结合小波核函数近似正交,能够对复杂非线性信号进行逐步逼近的优势,有效提高了核独立成分分析KICA算法的求解精度。将其应用在多光谱遥感图像特征提取中,并对预处理条件下的图像采用不同的监督分类方法进行分类实验。实验结果表明,在WKICA算法预处理条件下,能够更有效的滤除图像噪声,相比较传统的特征提取算法,能够获取更加精确的图像分类效果。     

基于单个特征分类准确率的特征选择方法研究

【目的】随着遥感技术迅猛发展,在影像解译过程中提取的信息越来越繁杂多样。为提高地物分类准确率,常加入更多的特征信息,而由此往往造成一定的信息冗余,导致分类效率甚至准确率降低。笔者利用随机森林(RF)和支持向量机(SVM)分类器,探索在遥感分类过程中保证分类精度的同时又能降低特征维度的方法。【方法】以吉林省安图县福兴林场部分区域为研究对象,利用2015年Landsat-8影像为数据源,提取光谱信息(红、绿、蓝、近红外和短波红外波段)、植被指数(NDVI、增强型植被指数、比值植被指数和裸土植被指数)、纹理(同质性、均值、二阶矩、方差、差异性、对比度、熵和相关性)和地形信息(坡度和坡向)共19个指标作为分类特征变量。以RF分类器估测的特征重要性进行特征选择为对照,分别以单个特征在RF和SVM两分类器中的分类准确率为依据进行特征选择,并对选取的特征进行主成分分析,与未做主成分分析的进行区分,再分别用RF和SVM分类器进行分类,评价分类精度,确定最优特征和分类器组合。【结果】①基于SVM单个特征分类准确率选取特征,对选取的特征进行主成分分析,再用RF进行分类,该方法与其他方法相比分类性能最好,当特征维度为5时,总体精度为0.86,Kappa系数为0.83; 与输入全部特征进行分类相比,不仅提高了分类精度,而且降低了特征维度,使分类效率得以提升。基于RF特征重要性选取特征的RF分类取得了较高的分类准确率,但特征维数小于7时,分类准确率波动较大; 在特征维数为4时分类准确率增至最大值(0.88),随后骤降为0.83,之后基本保持在此水平。而基于单个特征分类准确率选取特征,分类准确率变化较为平缓,如上所提最优分类性能方法的分类准确率波动范围基本在0.02。②基于单个特征在RF和SVM分类器中的分类准确率进行特征选择,在随后的分类过程中,SVM分类器分类精度总体高于RF。基于RF单个特征分类准确率选取特征的SVM分类,及基于SVM单个特征分类准确率选取特征并对选取特征进行主成分分析的RF分类,较仅利用SVM或RF单个分类器选取特征并分类的分类准确率更高。【结论】①基于单个特征分类准确率的特征选择方法,可在保证分类精度的同时降低特征维度,且在较低维度时,基于该方法选取特征的分类精度较基于特征重要性选取特征的分类精度更稳定。②基于单个特征分类准确率进行特征选择,不同分类器选取的特征有所差异,分类准确率也不同,利用多个分类器较单个分类器选取特征并分类的性能更好。③在中低维度时,RF分类器的分类准确率可能与特征输入顺序有关,对输入特征进行主成分分析有利于提高分类器的分类精度及稳定性。     

Land cover classification of remotely sensed image with hierarchical iterative method

Based on the analysis of the single-stage classification results obtained by the multitemporal SPOT 5 and Landsat 7 ETM+ multispectral images separately and the derived variogram texture, the best data combinations for each land cover class are selected, and the hierarchical iterative classification is then applied for land cover mapping. The proposed classification method combines the multitemporal images of different resolutions with the image texture, which can greatly improve the classification accuracy. The method and strategies proposed in the study can be easily transferred to other similar applications.     

SPOT5遥感影像融合算法比较研究——以开封地区影像图为例

分别对遥感影像的5种融合方法进行了对比分析,明确了各融合方法相对原始影像光谱的扭曲程度,比较得出了在光谱特征上扭曲较小的融合方法. 同时进一步对比分析了光谱扭曲程度较小的融合影像在图像分类识别上的精度.     

基于PCA与KPCA的基因数据的特征简约

采用支持向量机方法（ SVM）对上千维的基因表达数据分析时,算法的运行时间比较长。为了解决这种情况,本文采用了基于主成分分析的支持向量机（ PCA-SVM ）和基于核主成分分析的支持向量机（ KPCA-SVM ）两种算法对数据进行降维和分类,既可以整合基因数据的特征信息又可以缩短计算时间。本文比较了累计贡献率不同时两种算法的分类准确率,实验结果表明,PCA-SVM分类准确率与累计贡献率二者之间没有明确规律,KPCA-SVM分类准确率随累计贡献率的降低存在降低或者保持不变的趋势。     

基于SVM的图像分类研究

支持向量机（SVM）是一种优秀的分类方法,灰度共生矩阵（GLCM）是一种很好的纹理分析方法;本文研究了图像的颜色、纹理等特征对利用支持向量机进行图像分类的影响,提出了一种使用灰度共生矩阵进行综合特征提取的SVM图像分类方法。实验结果表明SVM方法的可行性和有效性,并得出图像综合特征的提取有利于分类效果的提高。