svm在遙感影像中的應(yīng)用

《svm在遙感影像中的應(yīng)用》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫(kù)。

1、作業(yè)2SVM在遙感影像中的應(yīng)用1?支持向量機(jī)支持向量機(jī)SVM(SupportVectorMachines)是由Vanpik領(lǐng)導(dǎo)的AT&TBel1實(shí)驗(yàn)室研究小組在1963年提出的一種新的非常有潛力的分類技術(shù)，SVM是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的模式識(shí)別方法，主要應(yīng)用于模式識(shí)別領(lǐng)域?由于當(dāng)時(shí)這些研究尚不十分完善，在解決模式識(shí)別問題中往往趨于保守，且數(shù)學(xué)上比較艱澀，因此這些研究一直沒有得到充的重視.直到90年代，一個(gè)較完善的理論體系一統(tǒng)計(jì)學(xué)習(xí)理論(StatisticalLearningTheory,簡(jiǎn)稱SLT)

2、的實(shí)現(xiàn)和由于神經(jīng)網(wǎng)絡(luò)等較新興的機(jī)器學(xué)習(xí)方法的研究遇到一些重要的困難，比如如何確定網(wǎng)絡(luò)結(jié)構(gòu)的問題、過學(xué)習(xí)與欠學(xué)習(xí)問題、局部極小點(diǎn)問題等，使得SVM迅速發(fā)展和完善，在解決小樣本、非線性及高維模式識(shí)別問題中表現(xiàn)出許多特有的優(yōu)勢(shì)，并能夠推廣應(yīng)用到兩數(shù)擬合等其他機(jī)器學(xué)習(xí)問題中.從此迅速的發(fā)展起來，現(xiàn)在己經(jīng)在許多領(lǐng)域(生物信息學(xué)，文本和手寫識(shí)別等)都取得了成功的應(yīng)用。SVM的關(guān)鍵在于核函數(shù)，這也是最喜人的地方。低維空間向量集通常難于劃分，解決的方法是將它們映射到高維空間。但這個(gè)辦法帶來的困難就是計(jì)算復(fù)雜度的增加

3、，而核函數(shù)正好巧妙地解決了這個(gè)問題。也就是說，只要選用適當(dāng)?shù)暮烁?shù)，我們就可以得到高維空間的分類函數(shù)。在SVM理論中，采用不同的核函數(shù)將導(dǎo)致不同的SVM算法。2.高光譜遙感分類支持向量機(jī)(SupportVectorMachine,SVM)作為一種最新的也是最有效的統(tǒng)計(jì)學(xué)習(xí)方法，近年來成為模式識(shí)別與機(jī)器學(xué)習(xí)領(lǐng)域一個(gè)新的研究熱點(diǎn)。SVM具有小樣本學(xué)習(xí)、抗噪聲性能、學(xué)習(xí)效率高與推廣性好的優(yōu)點(diǎn)，能夠用于解決空間信息處理分析領(lǐng)域的遙感影像處理。遙感圖像分析與處理是SVM應(yīng)用一個(gè)熱門的研究方向，一些主要應(yīng)用如土

4、地利用分類、混合象元分解、遙感影像融合、多光譜/高光譜遙感分類等。目前針對(duì)高光譜數(shù)據(jù)進(jìn)行分類還是僅僅局限于傳統(tǒng)的分類方法，不但運(yùn)算速度慢，分類精度低，而且岀現(xiàn)了嚴(yán)重的huges現(xiàn)象。而在高光譜遙感分類屮SVM具有明顯的優(yōu)越性，因此SVM應(yīng)用被歸納為高光譜遙感分類最重要的進(jìn)展之一。但總體上來看，國(guó)內(nèi)對(duì)SVM應(yīng)用于高光譜分類的研究還處在起步階段。本文研究了支持向量機(jī)在高光譜遙感圖像分類中的應(yīng)用，建立了一種基于支持向量機(jī)的高光譜遙感圖像模型。實(shí)驗(yàn)結(jié)果表明，該分類器與神經(jīng)網(wǎng)絡(luò)、最小距離分類器相比具有一定的優(yōu)

5、勢(shì)，是一種有效的高光譜遙感圖像分類方法。3.影像融合隨著多種遙感衛(wèi)星的發(fā)射成功，從不同遙感平臺(tái)獲得的不同空間分辨率的影像金字塔序列，給遙感用戶提供了從粗到精、從多光譜到細(xì)分光譜段的對(duì)地觀測(cè)數(shù)據(jù)源。在衛(wèi)星遙感成像系統(tǒng)中，要同時(shí)獲得光譜、空間和吋間的高分辨率是很難的，各種傳感器圖像實(shí)質(zhì)上都是分辨率有損壓縮信息，即每一種傳感器所獲得的遙感數(shù)據(jù)只反映了事物的一個(gè)或兒個(gè)方面的特性，因此如何將同一個(gè)地區(qū)各種特性影像的有用信息聚合在一起是當(dāng)前亟待研究的課題。遙感影像事例是解決多源海量數(shù)據(jù)富集表示的有效途徑之一。近

6、幾年，在影像融合方法上己有許多研究，目前比較一不能致的看法是把影像融合分為3個(gè)層次：像素級(jí)、特征級(jí)和決策級(jí)。對(duì)于像素影像融合以及特征影像融合的研究頗多，這些研究都取得了較好的效果。決策級(jí)影像分類融合是一種高水平的融合技術(shù)，效果最好，難度最大，這方面的研究較少主要集屮在基于貝葉斯估計(jì)、神經(jīng)網(wǎng)絡(luò)、證據(jù)理論等方面的融合研究。2.遙感空間特征信息分類和提取遙感空間特征信息分類和提取主要方法包括在領(lǐng)域知識(shí)和地理輔助信息支持下的數(shù)理統(tǒng)計(jì)、神經(jīng)網(wǎng)絡(luò)、基于符號(hào)邏輯推理方法、分形等。一般過程是：首先通過預(yù)處理獲得影像

7、的基本空間特征分布，然后用提取模型對(duì)其中的結(jié)構(gòu)單元進(jìn)行學(xué)習(xí)記憶，最后提取影像結(jié)構(gòu)信息，還可進(jìn)一步加入一定的輔助知識(shí)獲得影像結(jié)構(gòu)信息，還可進(jìn)一步加入一定的輔助知識(shí)獲得其有關(guān)的屬性，比如通過地形因子進(jìn)行綜合判別，進(jìn)行推斷、判別、決策。其中，提取模型是關(guān)鍵。人工神經(jīng)網(wǎng)絡(luò)方法（ANN）主要包括反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）和自組織映射神經(jīng)網(wǎng)絡(luò)（ARTMAP）.但對(duì)于高維、復(fù)雜映射的特征提取問題，BPNN存在學(xué)習(xí)速度慢，難以收斂、網(wǎng)絡(luò)無(wú)反饋記憶等問題ARTMAP具有自組織反饋、增竝式學(xué)習(xí)、高度復(fù)雜映射等特點(diǎn)，與

8、BPNN相比較，更接近于模擬人的感知記憶系統(tǒng)，因此適合于應(yīng)用在高維空間的映射和分類中。但rtT于ARTMAP自組織增量式的學(xué)習(xí)方式，遇到高度復(fù)雜的數(shù)據(jù)集會(huì)使網(wǎng)絡(luò)急劇膨脹，影響特征提収的效率，另外ARTMAP同樣有神經(jīng)網(wǎng)絡(luò)難以對(duì)結(jié)果作解釋的缺陷。SVM方法不同于常規(guī)統(tǒng)計(jì)和神經(jīng)網(wǎng)絡(luò)方法，它不是通過特征個(gè)數(shù)變少來控制模型的復(fù)雜性。它提供了一個(gè)與問題維數(shù)無(wú)關(guān)的函數(shù)復(fù)雜性的有意義刻劃。使用高維特征窖，使得在高維特征空間屮構(gòu)造的線性決策邊界可對(duì)應(yīng)于輸入空間的非線性決策連篇邊界，概