一种用于高光谱遥感影像分类的改进多类支持向量机

将支持向量机(SVM)用于高光谱遥感影像分类的研究,采用决策边界特征提取(DBFE)算法对高光谱影像进行维数约简,以径向基函数(RBF)作为SVM模型的核函数,把混沌优化搜索技术引入到PSO算法中,以基本PSO算法为主体流程,对种群中最好的粒子进行给定步数的混沌优化搜索,以改进基本PSO算法进化后期收敛速度慢、易陷入局部极小值的缺陷。利用改进的混合粒子群优化算法(PSO)来实现SVM模型参数的自动选择,继而构建了一种参数最优的粒子群优化支持向量机(PSO-SVM)多类分类模型。选用220波段的AVIRIS高光谱遥感影像进行了分类试验。结果表明,与采用基于留一法(LOO)网格搜索策略的传统SVM相比,改进后的PSO-SVM算法可以提高分类精度约8.8%。该方法对于小样本、非均衡条件下的遥感影像数据分类非常有效。     

一种新的二叉树多类支持向量机算法

采用二叉树结构对多个二值支持向量机(SVM)子分类器组合,可实现多类问题的分类,并且还可克服传统多类SVM算法存在的不可分区域的情况。针对现有二叉树多类SVM方法未采用有效的二叉树生成算法,该文采用聚类分析中的类距离思想,提出了一种新的基于二叉树的多类SVM分类方法。实验结果表明,新算法具有较高的推广性能。     

基于核最小噪声分离变换的高光谱遥感影像多类SVM分类

高光谱遥感影像具有高维非线性、数据冗余多、训练样本难以获得等特点。在线性最小噪声分离变换MNF(Minimum Noise Fraction)的基础上,引入核方法,提出核最小噪声分离变换KMNF(Kernel Minimum Noise Fraction)高光谱遥感影像非线性特征提取方法。在KMNF特征提取后的影像上利用多类SVM进行高光谱影像分类,分析数据维数、样本个数对分类结果的影响,并与传统的最小距离分类方法进行对比。发现最小距离分类法存在维数灾难现象,当达到一定的特征维数之后,多类SVM分类方法受维数影响较小,具有一定的抗噪声能力,在一定程度上避免了维数灾难现象;利用多类SVM进行分类时,随着样本数目的减少,合理设置有关参数,高光谱图像的分类能够维持在较高精度;而传统的最小距离分类法当样本数量较小时,效果很差,这说明了SVM小样本分类的优势。     

多尺度超像素分割和奇异谱分析的高光谱影像分类

目的 高光谱影像（hyperspectral image,HSI）中“同物异谱,异物同谱”的现象普遍存在,使分类结果存在严重的椒盐噪声问题。HSI中的空间地物结构复杂多样,单一尺度的空间特征提取方法无法有效地表达地物类间差异和区分地物边界。有效解决光谱混淆和空间尺度问题是提高分类精度的关键。方法 结合多尺度超像素和奇异谱分析,提出一种新的高光谱影像分类方法,从而充分挖掘地物的局部空间特征和光谱特征,解决空间尺度和光谱混淆的问题,提高分类精度。利用多尺度超像素对影像进行分割,获取不同尺度的分割影像,同时在分割区域内进行均值滤波,减少类内的光谱差异,增强类间的光谱差异;对每个区域计算平均光谱向量,并利用奇异谱分析方法获取光谱的主要鉴别特征,同时消除噪声的影响;利用支持向量机对不同尺度超像素分割影像进行分类,并进行决策融合,得到最终的分类结果。结果 实验选取了两个标准高光谱数据集和一个真实数据集,结果表明,利用本文算法提取的光谱—空间特征进行分类,比直接在原始数据上进行分类分别提高约26.8%、9.2%和13%的精度;与先进的深度学习SSRN （spectral-spatial residual network）算法相比,本文算法在精度上分别提升约5.2%、0.7%和4%,并且运行时间仅为前者的18.3%、45.4%和62.1%,处理效率更高。此外,在训练样本有限的情况下,两个标准数据集的样本分别为1%和0.2%时,本文算法均能取得87%以上的分类精度。结论 针对高光谱影像分类中的难题,提出一种新的融合光谱和多尺度空间特征的HSI分类方法。实验结果表明,本文方法优于对比方法,可以产生更精细的分类结果。     

二叉树多类SVM在网络入侵检测中的应用

本文在考察现有多类分类支持向量机(SVM)算法后,提出了一种基于二叉树结构的多分类器融合思想,融合过程充分考虑了类别之间的区分度,从而建立一颗相对优化的二叉树SVM的多类分类算法,并把改进后的多类SVM应用于入侵检测中以提高系统性能。在KDDCUP1999数据集上的实验结果表明了本方法的有效性。     

基于支持矢量机和决策树的多值分类器

基于SVM理论的分类器已经发展为一种通用的二值分类器,但它不适用于多值的场合。该文在分析经典的SVM分类算法和决策树分类算法的基础上,采用了将SVM和二叉决策树结合的方法来实现多类问题的分类,实验表明它与一对一的多值分类器具有相似的分类精度,并比一对一的分类算法具有快的测试速度。     

基于决策树的高光谱遥感影像分类方法研究

为了验证将决策树算法用于高光谱遥感影像分类的可行性,提出了一种二叉决策树自动构建算法用于高光谱遥感影像分类.通过对高光谱遥感影像进行现场采样、对样本进行统计和训练,生成了一棵二叉决策树,从决策树中提取出分类规则,并对高光谱遥感影像进行分类.生成的决策树简单明了,分类规则易于理解,分类效率和精度都比较高,实现了高光谱遥感影像从数据降维、样本选择、样本训练、决策树生成、影像分类的“一体化”和“自动化”.     

基于SVM集成学习的网络故障诊断方法

针对现有支持向量机(support vector machine,SVM)多分类方法在网络故障诊断中识别精度较低的问题,提出一种基于二叉树结构和模型二重扰动的SVM集成学习算法;通过集成学习思想提高网络故障诊断的精度;在集成过程中对二叉树结构和核参数进行扰动,加大个体分类器的差异度,提升了诊断模型的泛化性;在实际网络中的诊断实验表明,所提的方法较二叉树等其它SVM多分类方法具有更高的诊断精度。     

基于混淆矩阵和集成学习的分类方法研究

针对多分类问题,本文提出一种基于混淆矩阵和集成学习的分类方法。从模式间的相似性关系入手,基于混淆矩阵产生层次化分类器结构;以支持向量机(SVM)作为基本的两类分类器,对于分类精度不理想的SVM,通过AdaBoost算法对SVM分类器进行加权投票。以变电站环境监控中的目标识别为例(涉及到人、动物、普通火焰(红黄颜色火焰)、白色火焰、白炽灯),实现了变电站环境监控中的目标分类。实验表明,所提出的方法有效提高了分类精度。     

基于空间邻域信息的高光谱遥感影像半监督协同训练

针对tri_training协同训练算法在小样本的高光谱遥感影像半监督分类过程中,存在增选样本的误标记问题,提出一种基于空间邻域信息的半监督协同训练分类算法tri_training_SNI(tri_training based on Spatial Neighborhood Information)。首先利用分类器度量方法不一致度量和新提出的不一致精度度量从MLR(Multinomial Logistic Regression)、KNN(k-Nearest Neighbor)、ELM(Extreme Learning Machine)和RF(Random Forest)4个分类器中选择3分类性能差异性最大的3个分类器;然后在样本选择过程中,采用选择出来的3个分类器,在两个分类器分类结果相同的基础上,加入初始训练样本的8邻域信息进行未标记样本的二次筛选和标签的确定,提高了半监督学习的样本选择精度。通过对AVIRIS和ROSIS两景高光谱遥感影像进行分类实验,结果表明与传统的tri_training协同算法相比,该算法在分类精度方面有明显提高。     

地球观测1号高光谱与全色图像融合的最佳方法

受制于成像原理及制造技术等因素,航天高光谱遥感图像的空间分辨率相对较低,为此提出将高光谱图像与高空间分辨率图像进行融合处理,设计最佳的增强高光谱遥感图像空间分辨率的融合算法。针对地球观测1号(EO-1)Hyperion高光谱图像和高级陆地成像仪（ALI）全色波段图像的特点,从9种具体遥感图像融合算法中选用4种融合算法开展山区与城市的数据融合实验,即Gram-Schmidt光谱锐化融合法、平滑调节滤波(SFIM)变换融合法、加权平均法（WAM）融合法和小波变换（WT）融合法,并分别从定性、定量和分类精度三方面对这些方法的融合效果进行综合评价与对比分析,从而确定适合EO-1高光谱与全色图像融合的最佳方法。实验结果显示：从图像融合效果看,在所采用的4种融合方法中,Gram-Schmidt光谱锐化融合法的效果最好;从图像分类效果看,基于融合图像的分类效果要优于基于源图像的分类效果。理论分析与实验结果均表明：Gram-Schmidt光谱锐化融合法是一种较为理想的高光谱与高空间分辨率遥感图像的融合算法,为提高高光谱遥感图像的清晰度、可靠性及图像的地物识别和分类的准确性提供有力的支持。     

基于独立分量分析的高光谱遥感影像决策树分类

为解决高光谱遥感影像波段众多所带来的信息丰富与“维数灾难”间的矛盾并提高分类精度,针对传统特征选择方法信息损失大的缺陷,基于EO-1 Hyperion高光谱遥感影像,采用独立分量分析(ICA)和决策树分类(DTC)方法联合运作流程,开展影像的地物分类实验研究,提出了ICA-DTC模型。首先运用ICA方法对影像进行特征提取,并以所提取的独立分量特征及其他地理辅助要素组成分类指标集;继而选择适当的指标组合和阈值设定判别规则,建立DTC模型进行影像的地物分类;最后将分类结果与传统最大似然分类法进行比对。结果显示：从分类的总体精度看,前者可达89.34%,高出后者18.8%;从单一地物的分类精度看,前者仅水体的精度略低于后者,而其他11种地物的精度都高于后者。理论分析与实验结果均表明,ICA-DTC模型可有效提高复杂地形条件下的地物分类精度。     

高光谱遥感图像分类算法中的应用研究

针对高光谱遥感图像数据量大、维数高、数据之间冗余量大的特点,提出一种基于决策边界特征提取(Decision Bounda-ry Feature Extraction,DBFE)的SVM高光谱遥感图像分类算法。首先采用DBFE对高光谱遥感图像进行特征提取,消除特征之间相关性,并降低特征维数,然后采用GA对SVM参数进行优化,找到最优分类模型参数,最后采用最优分类模型对待分类的高光谱遥感图像进行分类。仿真结果表明,高光谱遥感图像分类算法提高了高光谱遥感图像分类的效率和分类正确率,说明分类方法是有效、可行的。     

结合纹理特征的SVM样本分层土地覆盖分类

支持向量机(SVM)分类在精度、泛化性、高维数据处理等方面都具有较强的优势,在遥感影像分类中也得到了广泛应用。由于遥感影像“同物异谱”和“异物同谱”现象的影响,结合纹理特征提高SVM分类精度已成为遥感应用研究的热点。但不同尺度的纹理特征突出的信息不一,在同一尺度上难以区分的地物在多尺度空间则更容易区分,因此,采用多尺度纹理特征进行SVM分类,并从分类样本和纹理特征的选取两个方面探讨SVM土地覆盖分类的方法。首先,以ALOS影像为例,通过灰度共生矩阵提取不同尺度、不同方向的几种纹理特征;然后在光谱分类结果基础上,借助地类特征曲线,选取有效的多尺度纹理特征,最后进行样本分层分类。样本分层分类是选取首层样本进行分类,再从“漏分和错分”地块中选取新样本加入到首层样本中,得到第二层样本并对整个影像进行分类;用同样的方法选出第三层样本或更高层样本进行分类,直到结果满意为止。结果表明:该方法比仅用光谱特征的SVM分类总精度提高了8.11%,Kappa系数增加了0.11。其中,纹理特征的引入使分类总精度提高了4.13%,且对纹理特征较明显的地类更有效;采用样本分层后的分类总精度进一步提高了3.98%,且各单一地类的精度也都有不同程度的提高。借助地类特征曲线选择合适的纹理特征具有一定的可行性,并且采用样本分层的方法能够提高SVM分类的精度。     

Comparative Study of ELM and SVM in Hyperspectral Image Supervision Classification

Combining the spatial features and spectral feature of hyperspectral remote sensing image in supervised classification can effectively improve the classification time and accuracy.In this study,the spatial information extraction method,named watershed transform,was combined with the Extreme Learning Machine(ELM)and Support Vector Machine(SVM)methods.The classification results of the datasets with the spatial features and without the spatial features were synthetically evaluated and compared.Two hyperspectral datasets,the ROSIS data of Pavia university and the Hyperion data of Okavango Delta(Botswana),were selected to test the methods.After preprocessing,the training samples were selected from the images as the reference areas for each type,and the spectral features of each type were analyzed.The two classification methods were utilized to classify the hyperspectral datasets and relevant classification results were obtained.based on the validation samples selected from the images,the classification results were evaluated using the confusion matrix and the execution times.After that,the spectral features and spatial features were combined to classify the data.The results show that the Extreme Learning Machine(ELM) is superior to the Support Vector Machine(SVM)in the classification time and precision,and the spatial features are introduced in the classification process,which can effectively improve the classification accuracy.     

基于多态蚁群算法的高光谱遥感影像最优波段选择

由于传统蚁群算法搜索空间大,算法时间复杂度高等,导致基于传统蚁群算法的高光谱数据波段选择算法(ACA-BS)耗时长,算法效率低下,且易陷入局部最优。而多态蚁群算法能大大缩小算法的搜索空间,降低算法时间复杂度。因此,研究设计了基于多态蚁群算法的高光谱数据波段选择算法(PACA-BS)。从算法运行时间、波段子集的类别可分性及信息量、总体分类精度等方面对算法进行对比分析。用于实验的数据为Hyperion和AVIRIS高光谱影像。实验结果表明:PACA-BS的运行时间较ACA-BS大大减少;对Hyperion影像进行降维时,基于PACA-BS的运行时间约为ACA-BS的一半。两种算法获得的波段子集的类别可分性大小较为接近,但PACA-BS获得的波段子集的信息量和总体分类精度优于ACA-BS。研究表明PACA-BS是一种效率较高的高光谱波段选择算法。     

基于Hyperion影像的高光谱水汽含量反演的算法比较研究

基于高光谱遥感图像数据的大气参数反演和一体化辐射校正具有重要研究意义和应用价值。首先,通过6S模型辐射传输计算分析了EO-1/Hyperion遥感影像在940和1 130nm附近水汽吸收区域的光谱吸收特点。其次,采用两通道比值法和三通道比值法,比较了不同波段组合的大气含水量高光谱遥感反演精度并进行了敏感性分析,模拟实验结果表明采用三波段比值算法的相关系数和均方根误差均优于对应的两波段算法。最后,利用张掖地区2008年3景EO-1Hyperion高光谱遥感影像,反演了大气含水量,并与地基CE-318太阳分光光度计测量数据进行对比验证,结果表明:1 124nm水汽吸收通道反演精度优于940nm,两通道和三通道比值法的均方根误差分别为0.369和0.128g/cm2,三通道比值方法优于两通道比值方法,与地面观测结果一致。     

ICA mixture model algorithm for unsupervised classification of remote sensing imagery

Conventional remote sensing classification algorithms assume that the data in each class can be modelled using a multivariate Gaussian distribution. As this assumption is often not valid in practice, conventional algorithms do not perform well. In this paper, we present an independent component analysis (ICA)‐based approach for unsupervised classification of multi/hyperspectral imagery. ICA used for a mixture model estimates the data density in each class and models class distributions with non‐Gaussian (sub‐ and super‐Gaussian) probability density functions, resulting in the ICA mixture model (ICAMM) algorithm. Independent components and the mixing matrix for each class are found using an extended information‐maximization algorithm, and the class membership probabilities for each pixel are computed. The pixel is allocated to the class having maximum class membership probability to produce a classification. We apply the ICAMM algorithm for unsupervised classification of images obtained from both multispectral and hyperspectral sensors. Four feature extraction techniques are considered as a preprocessing step to reduce the dimensionality of the hyperspectral data. The results demonstrate that the ICAMM algorithm significantly outperforms the conventional K‐means algorithm for land cover classification produced from both multi‐ and hyperspectral remote sensing images.     

基于特征加权的高光谱图像融合分类

在对高光谱图像监督分类中, 传统的监督学习方法对高光谱数据进行分类时需要获取足够的有标记样本作为训练样本, 这样可以有效的避免Hughes效应. 实际情况下的高光谱数据拥有较多的波段和相对较小的训练样本集给传统的遥感图像分类方法带来了挑战. 因此, 提出了一种基于特征组合以及特征加权的高光谱图像分类算法, 针对纹理特征分析难度较大的现实, 利用一阶直方图的统计特征描述图像纹理特征, 通过类内散度矩阵的逆矩阵作为特征加权矩阵构造组合核函数将高光谱光谱特征和空间特征融合起来, 同时利用特征加权的方法用于提高小训练样本的监督分类精度. 实验结果表明, 本文所提的方法对小样本的高光谱数据分类具有良好的效果.     

联合快舟一号影像纹理信息的城市土地覆盖分类

仅依靠光谱信息无法满足高分辨率遥感分类的应用需求,辅之以纹理特征信息进行分类,可提高影像分类精度。利用KZ\|1卫星影像和Landsat\|8卫星影像数据,基于面向对象的影像分割法和灰度共生矩阵纹理分析法对新疆石河子市局部城区进行了地表覆盖分类实验,将不同空间分辨率的全色影像纹理信息、光谱信息构成多种影像特征组合进行分类比较研究,以选择最佳的分类特征集。结果表明:KZ-1影像能为城市区域的土地覆盖分类提供丰富的纹理信息,面向对象的影像分割可较好地利用高分辨率数据的几何结构信息实现优化的影像分割,从而提高多光谱影像的分类精度,总体分类精度为90.06%,Kappa系数为87.93%,比单纯利用光谱信息分类的总体精度提高了8.02%,Kappa系数提高了9.65%,表明KZ\|1数据可为光谱分类提供丰富的纹理信息,从而提高城市区域的土地覆盖分类精度。