基于支持向量机的高光谱遥感分类进展

支持向量机作为一种最新的也是最有效的统计学习方法,近年来成为模式识别与机器学习领域一个新的研究热点。支持向量机因其适用高维特征、小样本与不确定性问题的优越性,是一种极具潜力的高光谱遥感分类方法。在分析基于支持向量机的高光谱遥感影像分类进展的基础上,对若干需要进一步研究的问题包括多类分类策略、训练样本与特征空间优化、不确定性控制、核函数选择与优化等进行探讨。     

高光谱遥感影像支持向量机分类中噪声影响的研究

为了验证噪声对支持向量机分类器性能的影响,对"SVM可以有效用于含噪声和不确定性数据"这一观点进行定量分析评价,采用国产OMISII传感器获得的高光谱遥感数据进行了试验,为了更好地比较SVM分类器的抗噪性,先对原始数据进行支持向量机分类,然后在高光谱遥感影像中人为添加不同比例的椒盐噪声和条带噪声,然后进行支持向量机分类...     

一种基于输入向量机的高光谱影像分类算法

支持向量机分类方法存在惩罚系数需要交叉验证获取、训练时间较长、支持向量个数随着训练样本数量的变化而变化,以及稳定性和稀疏性较差等问题。针对这些问题,提出了一种基于输入向量机的高光谱影像分类算法。该算法在核逻辑回归模型的基础上,采用前向贪心算法选择训练样本中的输入向量来进行模型的训练,达到稀疏的目的,提高影像的分类精度和分类效率。通过PHI和OMIS两组高光谱影像分类实验,结果表明基于输入向量机分类算法具有稳定性好、稀疏性强的优点。     

高光谱影像信息向量机分类

信息向量机是一种基于贝叶斯理论的稀疏高斯过程方法,其模型训练速度快、内存耗费小、稀疏性强,具有良好的预测性能。本文从高斯过程回归模型出发,提出了一种基于信息向量机的高光谱影像分类方法,针对高斯过程分类中的非高斯噪声模型,采用假定概率滤波算法将分类问题转化为回归问题,通过最大化边缘似然函数进行模型训练,选择活动子集中的信息向量数量达到了稀疏的目的。通过ROSIS影像试验,表明了基于信息向量机的高光谱影像分类方法的优势。     

天宫一号高光谱成像仪遥感应用

本文重点介绍了天宫一号高光谱成像仪设计、特性、在轨运控支持、地面数据处理技术及应用研究等方面内容,其中高光谱数据的辐射纠正及系统几何校正的精度满足各应用需要,数据产品质量在遥感各个应用领域获得验证.大量用户利用天宫一号高光谱数据在国土资源、海洋、林业、城市环境监测、水文生态监测等方面开展了较好的应用研究工作,取得了一批有价值的应用成果.中国科学院空间应用工程与技术中心作为载人航天空间应用系统的总体单位,负责天宫一号高光谱成像仪的总体研制管理、集成测试验证、在轨运行支持及应用研究的组织推广,为更好地发挥应用效益做出了积极的贡献.     

天宫一号高光谱遥感场景分类数据集及应用

天宫一号高光谱成像仪具有空间分辨率高、光谱分辨率高、图谱合一等特性，在中国航天高光谱领域具有里程碑的意义。针对一般遥感场景分类数据集尺度单一、光谱分辨率较低等问题，本文提出基于天宫一号的多谱段、高空间分辨率、多时相高光谱遥感场景分类数据集(TG1HRSSC)。利用天宫一号高光谱成像仪获取的高质量数据，经过辐射校正、几何校正、空间裁剪、波段筛选、数据质量分析与控制等，制作了一批通用的航天高光谱遥感场景分类数据集，通过载人航天空间应用数据推广服务平台（http://www.msadc.cn[2019-09-10]）进行分发和共享。该数据集包括天宫一号高光谱成像仪获取的城镇、农田、林地、养殖塘、荒漠、湖泊、河流、港口、机场等9个典型地物场景的204个高光谱影像数据，其中5 m分辨率全色谱段1个波段、10 m分辨率可见近红外谱段54个有效波段以及20 m分辨率短波红外谱段52个有效波段。研究利用AlexNet、VGG-VD-16、GoogLeNet等深度学习算法网络对构建的数据集进行场景分类的试验，结果表明该数据集的场景分类应用实现较好效果。由于该数据集具备高分辨、高光谱等特征优势，未来在语义理解、多目标检测等方面有着广泛的应用价值。     

高光谱影像概率分类向量机分类方法研究

从分析基于支持向量机和相关向量机的高光谱影像分类方法的优势和不足出发,将基于概率分类向量机的方法用于高光谱影像分类试验。在贝叶斯理论框架下,概率分类向量机为基函数权值引入截断Gauss先验概率分布,使得不同类别的基函数权值具有不同符号的先验分布,并利用EM算法进行参数推断,得到足够稀疏的概率模型,弥补了相关向量机选取错误类别的样本作为相关向量的不足,从而有效地提高了模型的分类精度和稳定性。OMIS和PHI影像分类试验表明,概率分类向量机能够很好地应用在高光谱影像分类。     

利用分离性测度多类支持向量机进行高光谱遥感影像分类

从支持向量机的基本理论出发,结合高光谱数据的分离性测度,提出了一种基于分离性测度的二叉树多类支持向量机分类器,并用OMIS传感器获得的高光谱遥感数据和Hyperion高光谱遥感数据进行实验,分析比较了各种多类SVM的分类精度,并和传统的光谱角制图和最小距离分类算法进行了比较。结果表明,SVM进行高光谱分类时,基于分离性测度的二叉树多支持向量机的分类精度最高。     

基于珠海一号高光谱数据的农作物精细化分类研究

利用高光谱遥感影像识别精细化农作物类型,已经成为农业遥感的热点领域。本文以绥化市北林区内的水稻、玉米、大豆、烤烟等典型农作物为分类对象,以ZH-1高光谱数据为主要数据源,结合外业采集样本,探讨利用高光谱数据对精细化农作物类型信息提取的方法。针对高光谱数据的冗余问题,对其进行PAC降维处理,采用支持向量机分类方法对农作物种植结构进行提取。最后,采用混淆矩阵方法对分类结果进行验证,分类总体精度达到87.08%,Kappa系数为0.86。分类结果表明,高光谱数据在精细化农业分类研究上得到较好的应用。     

基于支持向量机和多变量分析的高光谱遥感数据分类

从支持向量机和多变量分析的基本理论出发,建立一个基于支持向量机和多变量分析的高光谱分类器,并利用国产OM IS传感器获得的北京某地区高光谱遥感数据进行试验,采取网格搜寻的方法来确定误差惩罚参数和径向基核参数的值。主要选取独立成分分析和主成分分析这两种多变量分析方法。结果表明,当进行独立成分分析后的数据应用支持向量机分类的时候,分类精度随着维数的增加而递增,10~20维的时候达到最大值,然后随之递减,分类精度最大为78.93%。随后的主成分分析中,得到同样的结论,但精度最高的时候是选择5维特征,精度为88.61%。     

利用天宫一号高光谱数据识别植被类型的评估研究

天宫一号高光谱数据尚未得到普遍应用,其数据的质量和应用潜力仍在进一步实践求证和挖掘.See5.0数据挖掘工具是一种能够找出训练样本中模式类隐含特征,并可以自动建立决策规则的分类算法,可避免人为建立分类规则的主观性.本文首先通过光谱曲线分析,选择地物光谱分离性最好的波段组合,然后利用See5.0工具生成规则集,再利用规则集对同一幅天宫一号高光谱数据在不同分类级别上进行分类,并利用相同的验证样本进行精度验证.经过光谱分析发现分类不同森林类型的最佳谱段中心波长分别为:655 nm、673 nm、802 nm、866 nm、984 nm,See5.0分类结果表明在同一树种不同生长期及不同亚种的分类级别上,分类精度在45%以下,表现出了一定局限性,但在树种分类级别上,天宫一号数据表现出了高光谱的优越性,分类精度皆在80%以上,植被类型分类级别,分类精度可达到90%以上.     

天宫一号高光谱数据辐射校正的CUDA并行优化

高光谱图像经过辐射校正后,消除了探测元的响应差异,能更好地满足专题信息提取的数据要求.利用探测元的列均值、列标准差等统计信息对天宫一号高光谱短波红外数据进行辐射校正检验,并基于GPU CUDA计算模型对均值归一化、矩匹配、相邻列均衡等3种相对辐射校正算法进行了并行计算优化.通过辐射校正计算流程拆分,CPU控制流程逻辑,GPU执行数据级并行计算,并建立CUDA的计算单元与数据单元的映射关系,获得5—7倍的计算加速比,这些辐射校正算法依据图像自身统计信息,且易于进行并行计算优化,满足实时校正的处理时效要求,为未来高光谱数据在轨实时辐射校正提供了新思路.     

天宫一号高光谱成像仪系统光谱辐射校正

针对天宫一号高光谱成像仪工作原理与数据特点,提出了可见—近红外波段高光谱成像仪,短波红外波段高光谱成像仪的系统光谱辐射校正方法,给出1级标准产品数据生成流程.该过程包括:背景噪声扣除,相对与绝对辐射校正,坏列检测与修复,光谱smile校正.最后,面向光谱辐射校正后数据存储给出了数据放大系数.为天宫一号高光谱数据的标准化产品生产提供了技术支撑,为天宫一号高光谱成像仪的在轨运行、民用示范与定量化应用提供了重要基础.     

改进的OIF和SVM结合的高光谱遥感影像分类

文章提出了一种结合改进的最佳指数法(OIF)和支持向量机(SVM)进行高光谱遥感影像分类新方法.利用本文提出的稳定系数进行波段初选择,根据相关系数选择波段组合生成新影像,并对新影像进行OIF计算,得到OIF值最大的波段组合为最佳波段组合;构建SVM分类器,对最佳波段组合分类;最后将分类结果与其他监督分类方法比较,并在相同核函数下与PCA和SVM结合的方法进行精度比较分析.实验结果表明,本文方法能够有效提取最佳波段组合,在SVM算法下获得较高分类精度.     

基于天宫一号高光谱数据与Landsat TM数据的湿地利用变化监测

本文利用2013年4月18日获取的天宫一号高光谱成像仪数据和1985年5月1日获取的Landsat TM数据,对黄河入海口地区湿地的土地利用状况进行了监测研究.通过对比分类结果发现,该地区近30年来人类活动对湿地的影响强烈,滩涂开垦、水产养殖业占用自然水面现象严重.同时由于天宫一号高光谱成像仪数据具有更高的光谱和空间分辨率,其分类精度优于Landsat TM,更适合于湿地的监测.     

面向高光谱影像分类的显著性特征提取方法

针对高光谱影像分类问题,提出了一种显著性特征提取方法。首先,利用超像素分割算法将高光谱影像3个相邻波段分割为若干个小区域。然后,基于分割得到的小区域计算反映不同区域的显著性特征。最后,沿着光谱方向采用大小为3、步长为1的滑窗法获得所有波段的显著性特征。进一步将提取的显著性特征与光谱特征进行结合,并将结合后的特征输入到支持向量机中进行分类。利用Pavia大学、Indian Pines和Salinas 3组高光谱影像数据进行分类试验。试验结果表明,与传统的空间特征提取方法和基于卷积神经网络的高光谱影像分类方法相比,提取的显著性特征能够获得更高的高光谱影像分类精度,且结合光谱特征能够进一步提高分类精度。     

天宫一号高光谱数据相关检测法蚀变信息提取

天宫一号高光谱成像仪是目前中国空间分辨率和光谱综合指标最高的星载光谱成像仪.针对天宫一号高光谱数据,提出了一种基于波段相关检测的蚀变信息提取方法.该方法在对天宫一号高光谱数据进行波段相关检测提取蚀变异常特征波段的基础上,结合异常探测、端元提取和光谱匹配等方法的各自优势进行天高一号高光谱数据的蚀变信息提取.利用该法成功提取了天宫一号高光谱数据中的Al-OH矿物蚀变异常及4种蚀变矿物,结果表明该方法可以有效提取天宫一号高光谱数据中的蚀变信息,有助于天宫一号高光谱数据在地质矿产资源调查中发挥巨大的应用潜力.     

特征维数对支持向量机分类器性能影响的研究——以高光谱遥感影像为例

本文为验证SVM对高维特征的适应性和可靠性,针对不同特征提取方法与特征组合,以国产OMISⅡ传感器获得的北京昌平地区高光谱遥感据为例,对SVM分类器中特征维数对分类准确率的影响进行了试验,通过对主成分分析、最小噪声分离算法、相关系数分组后特征提取、导数光谱等的分析,表明SVM分类器的分类精度随着特征维数波动,其中主成分分析降维后提取的特征具有用于分类能够获得最高的准确率。通过与最大似然法和光谱角制图分类算法的比较,说明在同样的特征输入情况下SVM分类算法分类的准确率高于最大似然法和光谱角制图分类器。