支持向量机遥感图像分类的研究

图像分类是人们获取信息的一种重要的手段,传统的分类方法是以经验风险最小化为归纳原则,只有当训练样本数趋于无穷时,其性能才能达到理论上的最优。然而在遥感影像分类中训练样本往往是有限的。当样本不足时,传统的分类方法往往不能达到理想的分类效果。 与传统统计学相比,统计学习理论是一种专门研究小样本情况下机器学习规律的理论。支持向量机(SVM)方法是建立在统计学习理论基础之上的,克服了神经网络分类和传统统计分类方法的许多缺点,具有较高的泛化能力。支持向量机是数据挖掘中的一项新技术,是借助于最优化方法解决机器学习问题的新工具。它通过引入核映射方法,有效克服了“维数灾难”和“过学习”等困难,较好的解决了非线性问题。与传统的人工神经网络相比,支持向量机理论体现了结构风险最小化原则,它不仅结构简单,泛化能力强,而且能较好的解决小样本、高维数据和局部极小等实际问题,因其易用、稳定和具有相对较高的精度而得到广泛的应用。 支持向量机的核心思想就是选择适当的映射,将学习样本非线性映射到高维空间,然后在高维空间里创建具有低VC维的最优分类超平面。支持向量机通过综合考虑经验风险和置信范围的大小,根据结构风险最小化原则寻求最佳折衷,从而得到风险上界最小的分类函数。 本文以试验区的地物分类为研究背景,建立了支持向量机的算法框架,并分别使用多项式核函数(Polynomial Kernel),径向基核函数(Radial Basis Kernel)、Sigmoid核函数以及线性核函数(Linear Kernel)四种核函数对图像进行了多类别分类实验。文中对支持向量机算法进行了理论上的分析并具体使用C++程序设计语言进行了实现。为了检验采用支持向量机进行图像分类的效果,本文特别选择了在专业的遥感软件下采用最小距离(Minimum Distance)法和最大似然估计(Maximum Likelihood Estimation)法对实验数据进行图像分类。将这两种算法和支持向量机算法分类后的效果进行了对比,证明支持向量机算法在准确率、推广能力等方面具有一定的优势,该算法应用在遥感图像地物分类上是切实可行的。