学位论文 > 优秀研究生学位论文题录展示

基于支持向量机的光谱图像分类及其特性的研究

作　者: 刘大宁
导　师: 陈聆
学　校: 成都理工大学
专　业: 计算数学
关键词: 支持向量机光谱图像核函数 SVM参数
分类号: TP751
类　型: 硕士论文
年　份: 2013年
下　载: 26次
引　用: 0次
阅　读: 论文下载

内容摘要

遥感图像分类在数字图像分类处理中是一个非常重要的研究方向,它与普通的图像分类有很多相通之处。由于遥感图像自身的特点和面临的问题,如果可以使计算机对遥感图像按照一定的意义进行自动的分类处理,将使人们在面对海量的遥感数据研究时能更方便的进行筛选以及应用。因此,不断对遥感图像分类算法进行借鉴、改进和创新具有重要的意义。支持向量机(Support Vector Machine, SVM)是一种基于统计学习理论的机器学习算法,算法主要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问题。从20世纪90年代末开始,SVM被用于遥感数据的分类,目前将SVM理论应用到遥感图像分类的研究还处在发展阶段。该算法最先用于多光谱遥感影像的分类,通过对SVM算法分析发现它可以支持高维特征空间的分类,随后研究逐渐转向高光谱数据的分类,大量实验结果表明该算法几乎不受“维数灾难”的影响,显示出SVM在高维特征空间也可以获得较高的分类精度的特性。本文分别选取了6个波段的多光谱数据和50个波段的高光谱数据作为本文的实验数据,整个实验章节分为两个部分。第一部分主要是关于不同核函数对光谱图像分类效果的对比,选择不同类型的核函数在高光谱图像分类过程中,获取的分类精度结果显示采用不同的核函数用于分类,得出的分类精度差别不是很明显。为了增加对比性,本文又分别采用不同的核函数运行于多光谱图像的分类。在不调节内部参数的情况下选择四类核函数进行分类,实验结果显示线性核函数和多项式核函数在多光谱分类中表现出较好的结果。在多光谱数据分类过程中由于径向基(Rbf)核函数还涉及到调节多个内部参数,所以在不调节参数的情况下本文径向基核函数对多光谱分类的实验没有获得较好的分类精度。第二个部分分别针对惩罚参数C、权重参数W、训练样本数量N进行了多组对比实验研究。通过对惩罚参数的分析我们可以了解到不论是针对于哪一种核函数,惩罚参数C的调节在整个分类中担当者重要的角色,是必不可少的因素。在对样本权重的实验分析中,我们通过增加样本权重W发现,对应样本的分类精度得到提升,同时由于SVM的整体机制,所以我们的整体分类精度也获得了提升。因此在样本分类过程中,由于训练样本的数目所导致的不均衡分类,是可以通过调节权重来提升整体的分类精度。训练样本数量N对精度影响的实验是基于Foody等研究了在小样本条件下SVM用于多光谱遥感数据分类的情况之下而设计的。实验表明SVM的训练样本的选取不同于传统的最大似然的方法.可以选择有代表性的小样本训练数据,也可以达到传统大样本的分类精度,于是得到的支持向量数目更少,从而计算量更少。文中创新之处一方面在于我们在采用高光谱数据选用不同核函数达到最优分类精度情况下的分类效果,增加对比性对多光谱数据不择优参数情况下,获得四类核函数对多光谱分类的情况。分析知从整体上来说各项核函数参数达到最优时,核函数在高光谱图像分类中体现的差异性不大。在多光谱研究中,核函数所表现出的分类效果和分类精度说明我们不选择参数的情况下,不同的核函数对同一个光谱图像的分类精度是不一样的。另外一方面,实验中也分析SVM内部参数对光谱图像分类的影响,分别从惩罚参数C、样本权重W、样本数目N三个相关参数来进行对比实验形成结论。实验研究总结出SVM对光谱图像分类中核函数和参数体现出的特性,为今后在光谱图像分类研究起到参考性的作用。

全文目录

摘要  4-6
Abstract  6-9
第1章引言  9-15
  1.1 研究背景及研究意义  9-10
  1.2 国内外研究现状  10-12
  1.3 本文主要研究内容  12
  1.4 研究方案与研究思路  12-14
  1.5 论文的特点与创新点  14-15
第2章支持向量机理论  15-24
  2.1 统计学习理论  15-17
  2.2 最优分类而  17-19
  2.3 支持向量机理论  19-22
  2.4 核函数  22-23
  2.5 本章小结  23-24
第3章支持向量机对遥感图像的分类  24-27
  3.1 遥感数据分析与样本选择  24-25
  3.2 遥感图像分类流程  25-27
第4章不同核函数对光谱图像分类对比实验  27-36
  4.1 支持向量机多类分类算法  27-28
  4.2 不同核函数对高光谱图像分类精度影响的研究  28-31
  4.3 不同核函数对多光谱图像分类精度影响的研究  31-34
  4.4 本章小结  34-36
第5章遥感图像分类中SVM参数的影响研究  36-43
  5.1 惩罚参数C相关的分类研究  36-38
  5.2 权重参数W相关的分类研究  38-40
  5.3 训练样本N相关的分类研究  40-42
  5.4 本章小结  42-43
结论  43-45
致谢  45-46
参考文献  46-48
攻读学位期间取得学术成果  48

基于支持向量机的光谱图像分类及其特性的研究

内容摘要

全文目录

相似论文