基于svm的多源遙感影像面向?qū)ο蠼ㄖ锾崛》椒?/h1>

《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