支撑向量机在光谱遥感影像分类中的若干问题研究

光谱遥感技术已经成为人们获取地球表面信息的一种主要的手段之一，发挥着越来越广泛的社会效益。随着光谱遥感技术朝着“三高”(高空间分辨率、高光谱分辨率、高时相分辨率)和“三多”(多传感器、多平台、多角度)迅猛发展，人们将获取越来越庞大的光谱遥感数据。然而目前遥感信息的提取和利用水平大大滞后于遥感技术的发展，因此研究新的理论和方法提高遥感信息的提取水平具有十分重要的意义。 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。然而在光谱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精度，尤其在对高光谱影像的分类中，样本不足的问题更为突出，容易导致严重的Hughes现象。统计学习理论第一次系统地研究了在样本有限的情况下的机器学习问题，提出了一种能够根据样本数量的多少合理地控制分类器的推广能力的一种模型选取原则——结构风险最小化原则。支撑向量机(SVMs)是在该理论框架下产生的一种通用学习方法。本文将SVMs用于光谱遥感分类，开展了如下几方面开拓性和创新性的研究工作： ·系统地总结了现有的三类主要的监督分类方法，并运用统计学习领域的理论成果深入分析了分类器的推广能力与训练精度和模型估计精度之间的关系，模型复杂度、特征维数和训练样本数的相互关系和三者对训练精度和估计精度的影响方式，以及如何选取适当的分类模型； ·通过多光谱和高光谱遥感影像的分类实验，将SVMs与现有的几种代表性的分类方法进行了对比。这些方法既包括最常有的最小距离法(MinDis)、马氏距离法(MahDis)和最大似然法(MaxLike)，也包括新近提出的光谱角度制图法(SAM)、留一协方差估计最大似然法(LOOC)和径向基神经网络(RBFNN)。实验结果说明：SVMs的分类能力一般而言强于SAM、MinDis、MahDis、MaxLike和LOOC；SVMs可以有效地克服样本不足所带来的Hughes现象；整体而言SVMs的训练速度和分类速度均快于RBFNN，且SVMs的分类精度对参数选取的敏感程度低于RBFNN，因此更易于使用。 ·通过对现有多类支撑向量机算法的系统性总结分忻，发现层次型支撑向量机(H-SVMs)可以实现相对高效的多类分类。由于进一步的分析发现现有的类间可分性度量方法在推广到非线性映射后的高维核空间时存在一定局限性，囚此本文结合SVMs和RBF核函数的特点提出了一种在RBF核特征空间中度量类间可分性的方法，并在其基础上提出了两种层次型多类支撑向量机：二叉树支撑向量机(BT SVMs)和单层聚类支撑向量机(SLC SVMs)。 这两种方法的基本思想是使类层次结构中越上层的子类之间在特征空间的可分性越强，这样一方面可以尽量减少自上而下的误差累积，提高整体分类精度；另一方面，可以使上层的SVM分类器中的支撑向量尽可能少，从而提高分类速度。实验证明了本文提出的RBF核特征空间中类间可分性的度量方法和相应的两种层次型多类支撑向量机算法的合理性和有效性。 ·在总结了现有的特征选取方法的基础上，着重分析和对比了迭代特征删除法(RFE)和判 别函数剪裁分析法(DF队)。实验表明RFE和DF队的波段选取速度较慢，制约了它们在 高光谱遥感影像波段选取中的实用性。根据高光谱影像波段间相关性强的特点，本文提出 了一种基于波段间相关性的波段过滤方法，这种方法实现速度快，可以有效地删除相关强 的波段。作为一种波段预选方法，实验证明相关性过滤法优于常用的等间隔采样法。本文 还将相关性过滤法与RFE和DF以组合成一种混合型波段选取方法。实验证明这种方法可 以明显减少波段选取阶段所需时间，并在基本不损失分类精度的前提下大大提高分类速度。 从整体时I句而言，“相关性过滤法+sLe svMs”不IJ“相关性过滤法+盯E+sLC sVMs” 是两种可取的快速高光谱分类方案。 .不完全监督分类是近年提出的一种新的分类类型，它介于监督分类和非监督分类之间。在 不完全监督分类中，为了提取某个目标类，只需要给出目标类的训练样本即可。而在许多 遥感影像分类问题中，人们往往只关心某种(某几种)类别，此时如果采用不完全监督分 类法，可以节省大量样本选取的工作，具有非常重要的实用价值。本文提出了一种基于加 权无标识样本支撑向量机，并在其基础上提出了一种不完全监督分类的方法。该方法通过 选取无标识样本间接地利用了非目标类的信息，将不完全分类问题(单类分类问题)转化 为两类分类问题，既具有SVM分类能力，又有效地克服了已有的卜SVM算法对核参数取 值的敏感性。