資源描述:
《基于svm的多源遙感影像面向?qū)ο蠼ㄖ锾崛》椒ā酚蓵?huì)員上傳分享,免費(fèi)在線閱讀,更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、重慶維普http://www.cqvip.com第2期,總第76期國(guó)土資源遙感No.2,20082008年6月15日REMOTESENSINGFORLAND&RESOURCESJun.,2008基于SVM的多源遙感影像面向?qū)ο蠼ㄖ锾崛》椒◤埛?,薛艷麗2,李英成2,丁曉波2(1.桂林工學(xué)院,桂林541004;2.中國(guó)測(cè)繪科學(xué)研究院,北京100039)摘要:在分析支持向量機(jī)(SupportVectorMachine,SVM)分類技術(shù)和機(jī)載激光雷達(dá)(LIDAR)數(shù)據(jù)、航空影像特征的基礎(chǔ)上,提出了基于SVM的L
2、IDAR數(shù)據(jù)和航空影像的面向?qū)ο蠼ㄖ锾崛》椒?。結(jié)果表明,該方法充分利用了多源影像的互補(bǔ)信息,能夠得到更高的信息提取精度,準(zhǔn)確而快速地更新地理空間數(shù)據(jù)庫(kù),是一種有效的面向?qū)ο蠼ㄖ锾崛》椒?。關(guān)鍵詞:機(jī)載激光雷達(dá)(LIDAR);航空影像;面向?qū)ο?;支持向量機(jī)(SVM);建筑物提取中圖分類號(hào):TP75文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1001—070X【2008)02—0027—03樣本分類誤差極小化的前提下,盡量提高分類器的0引言泛化推廣能力,具有強(qiáng)大的非線性和高維處理能力,解決了維數(shù)災(zāi)難問(wèn)題,其算法復(fù)雜度與樣本維數(shù)
3、無(wú)隨著城市建設(shè)速度的加快,建筑物最容易增加和關(guān),只取決于支持向量的個(gè)數(shù)。發(fā)生變化。實(shí)現(xiàn)遙感影像建筑物的提取能夠滿足遙1.1線性可分情況感影像制圖、地理信息系統(tǒng)的數(shù)據(jù)獲取和自動(dòng)更新等SVM方法是從線性可分情況下的最優(yōu)分類面需要。近年來(lái),建筑物的信息提取技術(shù)研究相當(dāng)活提出的。所謂最優(yōu)分類面就是要求分類線不但能將躍,除了基于陰影分析方法取得的新進(jìn)展外,還出現(xiàn)兩類樣本無(wú)錯(cuò)誤地分開(kāi),而且要使兩類之間的距離了基于貝葉斯網(wǎng)絡(luò)和馬爾可夫隨機(jī)場(chǎng)模型等新方法;最大。在建筑物提取技術(shù)中也利用了多源影像信息融合技設(shè)線性可分樣本集
4、為(。,Y)。其中i=1,2,術(shù)。FRottensteinerL】融合LIDAR數(shù)據(jù)和多光譜影?凡;∈R為輸入向量;凡為樣本數(shù);Y是輸入向,像,利用基于Dempster—Shaker(DS)證據(jù)理論的分類量的類別標(biāo)號(hào),對(duì)于兩類分類問(wèn)題,Y∈{+1,一1}。方法進(jìn)行建筑物探測(cè)研究;GSohn融合IKONOSd維空間中線性判別函數(shù)的一般形式為g()='.,·影像和LIDAR數(shù)據(jù)進(jìn)行建筑物自動(dòng)提取研究,得到+b,分類面方程為'.,·+b=0,其中,'.,為最優(yōu)分了更高的提取精度。隨著面向?qū)ο蠓诸愃枷氲某霈F(xiàn),類面
5、的權(quán)系數(shù)向量,間隔量大等價(jià)于使lI'.,lI(或lISSyed進(jìn)行了基于LIDAR和航空影像的半自動(dòng)建筑'.,lI)最小,而要求分類線對(duì)所有樣本正確分類,就物提取與重建研究,該方法充分利用了高分辨率遙感是要求其滿足Y('.,·)+b]一1≥0。因此,滿足影像的空間、紋理及結(jié)構(gòu)等信息克服了傳統(tǒng)像素級(jí)上述條件且使lI'.,II最小的分類面就是最優(yōu)分類特征提取的缺陷性,取得了較好的結(jié)果J。11面,問(wèn)題轉(zhuǎn)化為求函數(shù)6(w)=÷('.,·'.,)=÷I1w本文在分析LIDAR數(shù)據(jù)和航空影像、面向?qū)ο筵疼痰淖钚≈担?/p>
6、為二次規(guī)劃問(wèn)題。求得的全局最優(yōu)解支持向量機(jī)分類技術(shù)的基礎(chǔ)上,提出了融合LIDAR數(shù)據(jù)和航空影像的面向?qū)ο笾С窒蛄繖C(jī)的建筑物提'.,=ai*Yi'.,=∑ai*Yii,其中,SV代表支持向取方法。量,若0為最優(yōu)解,求解上述問(wèn)題后得到的最優(yōu)分類函數(shù)是1SVM原理nf(x)=s{('.,·)+6}=s{三0(·)+6}(1)支持向量機(jī)是由Vapnik提出的相對(duì)較新的分式中,sgn{}為符號(hào)函數(shù);b是分類的閾值。對(duì)類方法,該方法根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則,在使訓(xùn)練于給定的未知樣本,只需計(jì)算sgn('.,·+b),即收
7、稿日期:2007—07—24;修訂日期:2008一o3—27基金項(xiàng)目:地理空間信息工程國(guó)家測(cè)繪局重點(diǎn)實(shí)驗(yàn)室項(xiàng)目(200720)和廣西自然科學(xué)基金項(xiàng)目(052204)共同資助。重慶維普http://www.cqvip.com▲28▲國(guó)土資源遙感可判定z所屬的分類。2.2實(shí)驗(yàn)流程1.2非線性可分情況本實(shí)驗(yàn)從面向?qū)ο蟮慕嵌瘸霭l(fā),利用了多源信選擇非線性映射咖(.If),將.If映射到高維特征息的融合優(yōu)勢(shì),其流程如圖2所示。空問(wèn),在其中構(gòu)造最優(yōu)超平面。和線性情況類似,此n1nn激光雷達(dá)數(shù)據(jù)-航空影像11lI時(shí)優(yōu)化函
8、數(shù)變?yōu)镼(。)=o一0<。了iqyi"咖i至;.苫~r苫百刁?!?、z>(;),咖(y,)。其中,咖(。),咖(y,)為變換后寧空間的內(nèi)積。相應(yīng)的判別函數(shù)也應(yīng)變?yōu)镮紋理l圓圓圓圓‘’If=.)sn(∑ya+b2八gi;咖(。),咖。))()0l(1)多源影像信息融合這就是支持向量機(jī)。實(shí)際求解最優(yōu)化問(wèn)題和計(jì)算分山類平面時(shí)Kx~(2)多源信息FNEA分割,只需計(jì)算核函數(shù)(.)。常用的核函數(shù)有多項(xiàng)式、徑向基(Radiu