基于模糊双支持向量机的遥感图像分类研究

遥感图像的分类是研究土地利用变化的基础。传统的遥感图像分类方法存在运算速度慢、精度比较低和难以收敛等问题。提出了一种基于模糊双支持向量机的多类分类方法,将模糊技术引入到双支持向量机中,赋予不同样本以不同的模糊隶属度,然后将模糊双支持向量机推广到多类分类中,最后将新方法应用到遥感图像分类中。实验表明,新方法比传统的支持向量机多类分类方法有较高的分类精度,并且有较强的抗噪声能力,在运行时间上也是可行的。模糊双支持向量机是一种有效的遥感图像分类方法。     

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。     

SVM在多源遥感图像分类中的应用研究

在利用遥感图像进行土地利用/覆盖分类过程中,可采用以下两种途径来提高分类精度:一是通过增加有利于分类的数据源,引入地理辅助数据和归一化植被指数(NDVI)来进行多源信息融合;二是选择更好的分类方法,例如支持向量机(SVM)学习方法,由于该方法克服了最大似然法和神经网络的弱点,非常适合高维、复杂的小样本多源数据的分类。为了提高多源遥感图像分类的精度,还研究了支持向量机在遥感图像分类中模型的选择,包括多类模型和核函数的选择。分类结果表明,支持向量机比传统的分类方法具有更高的精度,尤其是基于径向基核函数和一对一多类方法的支持向量机模型更适合多源遥感图像分类,因此,基于支持向量机的多源土地利用/覆盖分类能大大提高分类精度。     

基于SVM算法和纹理特征提取的遥感图像分类

遥感图像分类是遥感图像处理领域中的一个重要的研究方向,传统的遥感图像分类方法根据像素值进行分类,忽视了遥感影像中丰富的纹理特征信息.小波分析通过引入宽度可变的窗口,可以同时对信号的局部信息进行频率域和时间域的变换.小波分析算法可以有效地提取出图像中的纹理特征信息.支持向量机算法是20世纪90年代提出的一种新的机器学习算法,通常被用来进行模式识别和分类.结合小波纹理提取算法,利用支持向量机进行遥感图像分类.研究结果表明,结合纹理特征的支持向量机分类的效果优于直接对灰度图像进行分类.     

支持向量机理论及其在遥感图像处理中的应用

支持向量机(SVM)是在统计学习理论的基础上发展起来的一种新的学习算法,经过多年的研究,它的理论基础日渐成熟,它的应用领域逐步扩大.SVM在遥感图像处理领域内的研究也逐渐增多.介绍了支持向量机的理论以及近年来它在遥感图像分类、检索、特征提取、图像压缩、混合像元分解等方面的应用.随着支持向量机研究热的兴起,它必将在遥感图像处理方面发挥更大的作用.     

基于实值遗传算法与TAFSVM的遥感图像分类

支持向量机已经被成功应用于遥感图像分类。一种新型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被提出。这种新型的支持向量机具有通过训练集的模糊性来增强泛化能力;对不平衡训练集具有自适应性,对正负数据采用不同的损失算法,可以提高正确分类率;通过引进全间隔算法来代替软间隔算法,可以得到更低的泛化误差等优良特性,符合遥感图像数据的内在规律。并且运用实值遗传算法对其进行参数优选,得到一种新的分类器——AGATAFSVM。最后将该分类器应用于遥感图像分类。实验结果表明,该分类器非常适用于遥感图像分类,分类精度和稳定性明显高于径向基神经网络分类器、 最近邻分类器和标准支持向量机。     

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ETAFSVM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.     

遥感影像的分类自校正方法研究

遥感图像分类是遥感图像研究的主要内容之一,分类精度高低直接关系到遥感数据的可靠性和实用性。多分类器系统可以提高单分类器分类的精度,但往往要求组成的子分类器分类误差相互独立,子分类器选择困难。支持向量机是新发展起来的一种非参数分类器,其分类原理和传统的基于统计的分类方法不同,表现出一定的独立性。为此本文尝试基于支持向量机和目前使用最广泛的最大似然法,构建一个性能高效且组合方式简单的复合分类器(称为遥感影像分类自校正方法)。同时,为了验证该分类器的性能,在北京市2006年4月27日的SPOT2图像上选择了一个研究区,分别利用最大似然法、支持向量机法和分类自校正方法进行分类对比试验。结果显示分类自校正方法的总体分类精度最高,比最大似然法和支持向量机法分别提高了4.35%和6.6%,而且各种地物类型的分类精度相对最大似然和支持向量机法都有提高。本文提出的分类自校正方法是一种性能高效且操作简单的分类方法。     

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。     

基于支持向量机的遥感图像舰船目标识别方法

针对高分辨率遥感图像舰船目标识别问题,提出了一种基于支持向量机的舰船目标分类方法。支持向量机(SVM)是一类新型机器学习方法,基于结构风险最小化归纳原则,具有出色的学习能力。与传统的方法相比,支持向量机不但结构简单,而且技术性能特别是泛化能力明显提高。该文简要介绍了有关统计学习理论和支持向量机算法,将支持向量机应用于遥感图像舰船目标识别,并同传统的舰船识别方法进行了相关的对比实验,实验结果说明本文提出的分类器在识别性能上明显优于其它传统分类器,具有更高的识别性能率。     

基于模糊支持向量机的图像边缘检测

提出了一种基于模糊支持向量机的图像边缘检测方法.利用支持向量机分类的思想,将模糊支持向量机应用到图像边缘检测中,在有效检测出图像边缘点的同时,减小噪声点的干扰,时图像的边缘检测的一种新方法进行了研究探讨.     

基于K型支持向量机的遥感图像分类新算法

为了提高遥感图像的分类精度和识别速度,提出了一种基于K型支持向量机（SVM）的遥感图像分类新算法,该算法将灰度共生矩阵提取的纹理特征与光谱特征相结合进行分类。对两组Landsat ETM+数据进行分类仿真实验,结果表明,在多光谱遥感图像的分类中,新算法提高了分类效率、分类精度和泛化能力,K型SVM是一种优于径向基函数SVM的分类器。     

河流形状类型的自动图像解译分类

针对河流遥感图像形状类型人工图像解译效率低,提出了河流图像自动识别分类方法。利用敏感因子组合条件,采用多波段组合法和区域生长分裂合并等方法提取河流并应用数学形态学方法进行处理;对得到河流图像确定类型分类特征,并给出了特征向量计算方法;河流类型特征向量散布程度大、类内聚集性较差,在支持向量机的基础上引入模糊隶属度函数,通过模糊隶属度反映样本的贡献属性,减弱噪声或野值样本对分类的影响。实验结果显示,采用模糊支持向量机有效地提高了识别准确度。     

支持向量机在核磁共振脑组织图像分割中的应用

在医学图像分析中,脑组织图像分割有着重要的研究与应用价值。采用支持向量机方法对核磁共振脑图像进行研究。传统的支持向量机方法在图像分割中一般选用方形的区域,用该区域的像素灰度和纹理特征作为支持向量的训练样本,对图像进行提取和分析,得到分类结果。提出了一种新型的研究区域,在该区域上提取训练样本,对核磁共振脑图像进行分类。分类结果显示用新型区域做的图像分割提高了正确率。     

基于SVM的遥感图像自动分类研究

遥感图像具有信息大、灰度级大等特点,传统简单组合特征出现特征冗余、维数高等缺陷,造成图像分类精度差.为提高分类的准确性,提出一种多目标优化人工蜂群算法的遥感图像自动分类算法(ABC-SVM).首先提取遥感图像的颜色、纹理特征,然后采用人工蜂群算法对特征进行选择和优化,最后采用支持向量机对优化特征进行训练,建立遥感图像自动分类模型.仿真结果表明,ABC-SVM克服了传统组合特征算法的缺陷,提高了遥感图像分类准确率,加快分类速度,可以满足遥感图像分类的实时性要求.     

基于决策树SVM分类器的感兴趣区域定位方法

感兴趣区域定位是提取目标特征,进行目标识别与跟踪等后续处理的重要基础.由于大尺寸遥感图像的光谱特性和目标形状均很复杂,通常采用的基于光谱特征的分割方法和基于边缘的区域生长技术不合适,从模式分类角度考虑遥感图像中感兴趣区域快速定位问题,提出一种基于决策二叉树支持向量机的纹理分类方法,将分类器分布在各个结点上,构成了多类支持向量机,减少了分类器数量和重复训练样本的数量.在SPOT图像上的实验结果表明,该方法实现感兴趣区域的快速定位有较高的分类正确率.     

基手小波变换和支持向量机的遥感图像目标检测

探讨基于支持向量机的高分辨率遥感图像中某型号飞机的检测识别问题.提出将小波变换结合灰度共生矩阵法提取目标样本信息特征的一种新方法,通过对Brodatz纹理进行测试,实验表明该方法有效提高了纹理分类识别率.此外,将支持向量机方法运用于遥感图像目标识别中,用分块区域搜索的方法检测到目标所在区域,实现对目标的检测识别.试验表明,该方法快速、高效且具备一定的鲁棒性.     

基于支持向量机的高光谱影像分类研究

高光谱遥感技术,将反映目标辐射属性的光谱信息与反映目标空间几何关系的图像信息有机地结合在一起.高光谱影像丰富的光谱信息使其较全色遥感、多光谱遥感能够更好的进行地面目标的分类识别.本文综合利用支持向量机分类的若干关键技术,包括序列最小优化训练算法,多类支持向量机构造方法、核函数及其参数选择的交叉验证"网格搜索",给出了高光谱影像分类流程,进行了遥感数据试验分析.     

基于多源信息的TM遥感图像计算机分类

本文以榆林市城区及其周边范围为实验区,以TM遥感图像的第一主成分纹理信息、归一化植被指数和MNF变换得到的四个波段为数据源,采用支持向量机方法进行分类,并与最大似然法分类和单纯利用光谱信息的基于SVM分类结果进行比较.试验结果表明,将纹理分析方法应用于图像分类中可区分光谱混淆的地类;和传统的分类方法相比,采用支持向量机技术.使用光谱与纹理特征结合的分类方法可以获得更高的分类精度.