SVM在遥感影像中的应用.docx

SVM在遥感影像中的应用.docx作业2SVM在遥感影像中的应用1•支持向量机支持向量机SVM(SupportVectorMachines)是由Vanpik领导的AT&TBel1实验室研究小组在1963年提出的一种新的非常有潜力的分类技术,SVM是一种基于统计学习理论的模式识别方法,主要应用于模式识别领域•由于当时这些研究尚不十分完善,在解决模式识别问题中往往趋于保守,且数学上比较艰涩,,一个较完善的理论体系一统计学习理论(StatisticalLearningTheory,简称SLT)的实现和由于神经网络等较新兴的机器学习方法的研究遇到一些重要的困难,比如如何确定网络结构的问题、过学习与欠学习问题、局部极小点问题等,使得SVM迅速发展和完善,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,,现在己经在许多领域(生物信息学,文本和手写识别等)都取得了成功的应用。SVM的关键在于核函数,这也是最喜人的地方。低维空间向量集通常难于划分,解决的方法是将它们映射到高维空间。但这个办法带来的困难就是计算复杂度的增加,而核函数正好巧妙地解决了这个问题。也就是说,只要选用适当的核甫数,我们就可以得到高维空间的分类函数。在SVM理论中,采用不同的核函数将导致不同的SVM算法。高光谱遥感分类支持向量机(SupportVectorMachine,SVM)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。SVM具有小样本学习、抗噪声性能、学习效率高与推广性好的优点,能够用于解决空间信息处理分析领域的遥感影像处理。遥感图像分析与处理是SVM应用一个热门的研究方向,一些主要应用如土地利用分类、混合象元分解、遥感影像融合、多光谱/高光谱遥感分类等。目前针对高光谱数据进行分类还是仅仅局限于传统的分类方法,不但运算速度慢,分类精度低,而且岀现了严重的huges现象。而在高光谱遥感分类屮SVM具有明显的优越性,因此SVM应用被归纳为高光谱遥感分类最重要的进展之一。但总体上來看,国内对SVM应用于高光谱分类的研究还处在起步阶段。本文研究了支持向量机在高光谱遥感图像分类中的应用,建立了一种基于支持向量机的高光谱遥感图像模型。实验结果表明,该分类器与神经网络、最小距离分类器相比具有一定的优势,是一种有效的高光谱遥感图像分类方法。影像融合随着多种遥感卫星的发射成功,从不同遥感平台获得的不同空间分辨率的影像金字塔序列,给遥感用户提供了从粗到精、从多光谱到细分光谱段的对地观测数据源。在卫星遥感成像系统中,要同时获得光谱、空间和吋间的高分辨率是很难的,各种传感器图像实质上都是分辨率有损压缩信息,即每一种传感器所获得的遥感数据只反映了事物的一个或儿个方面的特性,因此如何将同一个地区各种特性影像的有用信息聚合在一起是当前亟待研究的课题。遥感影像事例是解决多源海量数据富集表示的有效途径之一。近几年,在影像融合方法上己有许多研究,目前比较一不能致的看法是把影像融合分为3个层次:像素级、特征级和决策级。对于像素影像融合以及特征影像融合的研究颇多,这些研究都取得了较好的效果。决策级影像分类融合是一种高水平的融合技术,效果最好,难度最大,这方面的研究较少主要集屮在基于贝叶斯估计、神经