基于LSTSVM的高光譜圖像分類方法研究.pdf

1、地物目標(biāo)分類技術(shù)是高光譜遙感圖像處理的一個(gè)重要分支，隨著社會(huì)的快速發(fā)展，人們對(duì)分類精度和分類效率的要求也日益提高。高光譜圖像分類是根據(jù)每個(gè)像元的特征屬性，為其指定地物類別，如今，分類方法日益豐富，但高光譜圖像分類技術(shù)依然存在著關(guān)鍵性問(wèn)題：（1）高光譜圖像數(shù)據(jù)的維數(shù)一般較高，運(yùn)算量大；（2）包括標(biāo)準(zhǔn)SVM在內(nèi)的一些分類算法在選取訓(xùn)練樣本集來(lái)對(duì)分類器進(jìn)行訓(xùn)練時(shí)，采用的是隨機(jī)抽取的方法，沒(méi)有考慮到訓(xùn)練樣本間的差異性，導(dǎo)致在選取的訓(xùn)練樣本集中存

2、在冗余，分類效率低；（3）現(xiàn)有的融合空間-光譜信息的分類模型中，一般都只利用一種空間信息，沒(méi)有對(duì)原圖像所包含的空間信息進(jìn)行充分利用，如將光譜信息與紋理信息或與形態(tài)結(jié)構(gòu)信息進(jìn)行融合，等等?；谝陨蠁?wèn)題，本文主要研究基于最小二乘孿生支持向量機(jī)（Least Square Twin Support Vector Machine, LSTSVM）的高光譜圖像分類算法，在一對(duì)余（one-against-rest,1-a-r）多分類結(jié)構(gòu)的基礎(chǔ)上，對(duì)“

3、-1”類訓(xùn)練樣本集通過(guò)距離計(jì)算，去除其中心區(qū)域樣本，以提升分類效率；同時(shí)，為了充分利用原始高光譜圖像所包含的信息，本文將紋理信息、結(jié)構(gòu)信息與光譜信息進(jìn)行融合用于LSTSVM分類。實(shí)驗(yàn)表明，本文所提的改進(jìn)融合空間-光譜信息的樣本縮減LSTSVM分類算法不但可以提高原分類器的分類效率，而且可以使分類精度得到有效提升。本文主要內(nèi)容如下：
　　首先，對(duì)高光譜圖像的課題研究背景、研究意義以及分類技術(shù)的國(guó)內(nèi)外發(fā)展現(xiàn)狀進(jìn)行介紹；
　　其次

4、，在介紹標(biāo)準(zhǔn)支持向量機(jī)（Support Vector Machine,SVM）、孿生支持向量機(jī)（Twin Support Vector Machine,TWSVM）分類原理的基礎(chǔ)上，詳細(xì)介紹LSTSVM的分類原理，并對(duì)標(biāo)準(zhǔn)SVM和LSTSVM算法進(jìn)行實(shí)驗(yàn)仿真，結(jié)果表明，LSTSVM的分類性能好于標(biāo)準(zhǔn)SVM；
　　再次，提出基于樣本縮減的LSTSVM（Sample Reduction LSTSVM,SR-LSTSVM）改進(jìn)分類算法。

5、該改進(jìn)算法在1-a-r多分類結(jié)構(gòu)的基礎(chǔ)上，首先計(jì)算“-1”類訓(xùn)練樣本集中每個(gè)樣本到其對(duì)應(yīng)中心的距離。其次對(duì)“-1”類訓(xùn)練集中的樣本按照計(jì)算距離值的大小進(jìn)行升序排序。然后根據(jù)預(yù)縮減率剔除對(duì)應(yīng)中心距離值較小的“-1”類訓(xùn)練樣本。最后將縮減后的“-1”類訓(xùn)練集與原始的“+1”類訓(xùn)練集組成新的訓(xùn)練樣本集來(lái)對(duì)LSTSVM分類器進(jìn)行訓(xùn)練和分類。仿真結(jié)果表明，該改進(jìn)算法可以在有效縮短分類時(shí)間的同時(shí)又基本不影響分類精度；
　　然后，提出一種改進(jìn)的

6、融合空間-光譜信息的LSTSVM分類模型。首先使用主成分分析（Principal Component Analysis,PCA）算法來(lái)對(duì)原始數(shù)據(jù)進(jìn)行主成分變換，并對(duì)前三主成分?jǐn)?shù)據(jù)進(jìn)行存取。然后，使用4個(gè)不同尺寸的圓形結(jié)構(gòu)元素（Structure Elements,SE）分別對(duì)前三主成分的每一主成分?jǐn)?shù)據(jù)進(jìn)行形態(tài)學(xué)開(kāi)操作和閉操作，獲得其擴(kuò)展形態(tài)學(xué)剖面（Extended Morphological Profiles,EMP）數(shù)據(jù)，EMP數(shù)據(jù)中

7、不僅包含原始高光譜圖像的形態(tài)結(jié)構(gòu)信息，也包含其絕大多數(shù)的光譜信息。隨后，使用Gabor濾波器在第一主成分?jǐn)?shù)據(jù)上獲取紋理信息。最后，將 EMP數(shù)據(jù)與Gabor紋理數(shù)據(jù)進(jìn)行融合，用于LSTSVM分類。仿真結(jié)果表明，該改進(jìn)的LSTSVM分類模型不但可以顯著地提高分類精度，而且還可以降低所要處理的數(shù)據(jù)維數(shù)，一定程度上減少了運(yùn)算量；
　　最后，將樣本縮減策略與改進(jìn)融合空間-光譜信息的LSTSVM分類模型進(jìn)行結(jié)合，形成改進(jìn)的融合空間-光譜信息