基于支持向量机的高光谱遥感图像分类

分析和处理航空高光谱遥感图像对于我国遥感事业意义重大,文章首先分析了高光谱遥感图像的特征,依据该特征确定了支持向量机分类方法以及相应的参数优化确定的方法,并最终构建了高光谱遥感图像的分类模型。     

凸组合核函数的支持向量机高光谱图像分类

支持向量机的高光谱图像分类中,单核函数存在局限性。为了提高分类器的分类精度和支持向量机模型的泛化能力,利用高斯径向基核和多层感知核进行凸组合构造复合核函数支持向量机,证明了该函数满足作为核函数的判决Mercer条件,并进一步将凸组合核函数支持向量机应用到高光谱图像分类中,完成了建模和实验验证。实验结果表明,凸组合核函数具有较好的鲁棒性,且该类支持向量机的分类精度和KAPPA系数较单核SVM均得到了有效的提高,是一种解决多分类问题行之有效的分类器。     

基于Direct LDA的相关向量机遥感图像分类

相关向量机是一种新型的基于贝叶斯统计学习框架的有监督机器学习算法,但是存在对高光谱数据分类精度不高的问题。针对此问题,文中提出了一种改进的算法,该算法将直接线性判别分析法与相关向量机相结合,对高光谱数据进行特征提取,然后采用相关向量机进行遥感图像分类。文中实验数据采用1992年Indian Pines高光谱数据。实验结果显示,与采用相关向量机直接分类,线性判别分析法(LDA)与相关向量机结合的两种方法的分类结果相比,文中算法能够明显降低数据维度,总体分类精度也提升了约1%。     

基于粗糙集支持向量机的遥感影像分类算法研究

近年来,随着遥感技术的飞速发展,遥感影像的处理和分类已成为遥感应用研究中的一个热点,粗糙集（RS）理论和支持向量机（SVM）在信息处理和分类方面具有独特的优势,本文将粗糙集支持向量机应用于遥感影像分类,简要介绍了粗糙集理论的基本概念和支持向量机的基本原理,将粗糙集理论的属性约简作为前置系统,剔除冗余属性,把SVM分类器作为后置系统,对遥感影像进行训练和分类,实验结果表明该模型不仅提高了系统运行的速度,而且分类性能有了一定的提高,为遥感影像分类提供了一条有效途径。     

基于空谱多特征融合的高光谱遥感图像分类

高光谱遥感图像分类已被公认为是高光谱数据处理的基础性和挑战性任务之一,其最终目标是给影像中的每个像元赋予唯一的类别标识。针对传统高光谱遥感图像分类方法只依靠单一特征进行分类的问题,提出一种基于空谱多特征融合的分类策略。首先在光谱域上利用主成分分析法PCA降维,得到前3个主成分数据,然后通过多视图策略对PCA降维后的数据分别提取局部二值模式LBP、方向梯度直方图HOG与Gabor特征,将其输入到多视图支持向量机进行分类。所提方法在Indian Pines数据集上进行验证,实验结果表明,所采用的分类策略相较于传统只利用单一特征进行分类的方法分类精度更高。     

基于支持向量机的极化SAR图像分类

与传统最大似然（ML）分类器相比，支持向量机（SVM）在小训练样本时仍具有良好的分类性能，目前已广泛应用于多个领域。该文在极化SAR特征提取的基础上，将SVM应用于极化SAR图像分类，分析了分类器参数对分类性能的影响。利用NASA／JPL实验室AIRSAR系统的L波段旧金山全极化SAR数据比较了SVM和ML的分类性能，并进一步给出了基于SVM的国内某地区双极化SAR图像分类结果。     

高光谱图像分类的全面加权方法研究

像元分类是高光谱数据分析的最基本、最重要内容之一,而基于支持向量机(SVM)的分类方法以其高效性得以广泛使用.原始的SVM分类模型中并没有体现出样本、特征、类别对于分类或分析的不同重要性,从而影响了处理效果.为此,将各样本偏离其类中心的距离映射为样本加权系数;将类内散度矩阵应用于特征加权方法;将SVM方程系统中的单位矩阵对角元素加以调整来完成类别加权.不同加权方法既可以单独使用也可以联合使用.实验表明,所提出的加权方法有助于进一步提高高光谱图像的分类效果.     

基于支持向量机的多极化SAR图像监督分类

针对SAR图像固有相干斑的影响,分类比较困难的问题,将支持向量机方法应用到多极化SAR图像的监督分类中.实验结果表明,基于支持向量机的多极化SAR图像监督分类不仅具有较高的分类精度,而且和传统方法比较,在训练样本较少的情况下具有更好的推广性.     

一种基于Wedgelet变换的遥感图像分类算法

介绍了一种基于Wedgelel(楔波)变换的遥感图像分类算法.该算法将多尺度Wedgelet变换应用于遥感图像区域分割,在此基础上提取各分割区域的Gabor纹理特征实现对遥感图像的分类.为了检验该算法的可行性,将其应用于向海和查干湖遥感图像,并与灰度共生矩阵、高斯马尔科夫随机场等纹理分类算法进行了比较.结果表明,该算法要优于灰度共生矩阵及高斯马尔科夫随机场分类算法,能够得到较高的分类精度和Kappa系数.     

基于支持向量机的湍流退化图像加速复原算法

由于湍流图像的退化原因十分复杂,现有图像复原算法很难在复原效率和复原质量间达到很好的平衡,为此提出了一种基于支持向量机的湍流退化图像加速复原算法.该算法通过设置方差阈值进行样本选择,舍弃了冗余信息、提高了样本质量;同时,对序列图像进行实时模型更新,加快了序列图像的复原速度.针对电弧风洞图像,将加速复原算法和原算法进行了比较.实验结果表明,加速算法的复原速度更快、复原效果也更好,它可以有效地解决湍流退化给图像带来的噪声和能量衰减问题,并能很好地校正湍流效应引起的模糊和抖动现象.     

遗传算法优化特征权值的支持向量机图像分类

为了提高图像分类的准确率,提出了一种遗传算法优化特征权值的支持向量机图像分类(GA-SVM).首先分别提取图像的颜色和纹理特征,然后采用改进遗传算法确定特征权值,最后采用支持向量机建立图像分类器,并对corel图像库进行仿真测试.结果表明,相对于其他图像分类算法,GA-SVM提高了图像分类精度.     

一种基于空间连续性的高光谱图像分类方法

利用地物在空间上分布连续性这一信息,提出了一种高光谱图像先分块、再分类的分类方法,改进了通常意义下的分类只考虑光谱信息这一缺陷,通过对2000年我们在日本长野南牧村,采用上海技术物理研究所研制的推扫式成像光谱仪(PHI)获得了80个波段的高光谱数据进行实验,验证了我们算法的优越性．     

基于感知器的遥感图像无损压缩编码

无损压缩在遥感领域有极其重要的作用。该文提出一种基于感知器模型的遥感图像无损压缩编码方法,该方法利用感知器具有学习能力的特点,自适应地调整图像的预测系数,对遥感图像进行空间和谱间去相关,然后进行熵编码。实验表明,对于多波段的遥感图像,该方法的压缩效果明显优于无损JPEG(Joint of Picture Expert Group)最优预测模式。     

基于多特征多分辨率融合的高光谱图像分类

由于数据维数高,利用高光谱数据对地物进行分类,常规方法难以获得令人满意的结果,在基于小波多分辨率融合方法进行特征图像的提取过程中,提出了利用多个空间特征所构成的特征矢量确定多分辨率融合权值的算法,有效地降低了原始图像的数据维并获得了用于后续分类的特征图像．对AVIRIS数据进行的实验表明,利用新方法提取的特征进行分类,获得了高于传统方法确定融合权值的结果。     

用于一维图像识别的支撑矢量机方法

研究了支撑矢量机的分类机理,并利用支撑矢量机对雷达目标一维像进行了识别.识别的结果表明了该方法的优越性,并显示它可以对残缺不全的样本进行识别.     

用于一维图像识别的支撑矢量机方法

研究了支撑矢量机的分类机理，并利用支撑矢量机对雷达目标一维像进行了识别，识别的结果表明了该方法的优越性，并显示它可以对残缺不全的样本进行识别。     

一种基于小波变换的可调节遥感影像融合方法

光谱保持和高分辨率保留是影像融合的两个重要问题,不同的应用可能对融合的结果有不同的要求．提出了一种基于小波变换的可调节遥感影像融合方法．该方法首先分别将高分辨率影像和多光谱影像进行小波分解,然后根据影像的特点,在小波域内进行影像融合,最后通过小波逆变换得到融合结果．通过引入可调节参数,该方法可以在细节保留和光谱保持两方面达到不同程度的平衡,在某些参数组合下,融合图像的目视效果和统计指标可以达到甚至超过传统的小波融合法、IHS变换和主成分变换融合法的效果．     

基于离散曲波变换和支持向量机的掌纹识别方法

提出了一种基于离散曲波变换和支持向量机的掌纹识别方法.首先将所有掌纹样本图像和测试图像通过基于Wrapping的快速离散曲波变换进行分解,从而获得不同尺度、不同角度的曲波变换系数;掌纹重要特征信息包含在曲波变换分解系数中的低频系数中,因此将分解系数变换形成特征向量后作为特征参数送入支持向量机中进行学习训练;最后将训练好的支持向量机用于掌纹分类.基于香港理工大学Palmprint掌纹数据库进行了大量实验,实验结果证实所提方法的识别正确率相对优于小波变换方法和其它几种经典方法.