论文部分内容阅读
高光谱遥感图像极高的光谱分辨率能够很好地反映地表地物的不同材质特性,使得高光谱图像比多光谱图像更适合于地物分类,因此得到了越来越多的关注和研究。在高光谱图像分类时,高维度的数据提高了分类器检测和识别各种地物类别的精度,但也存在确定地物类别代价大及训练样本不足、对处理算法的运行时间要求高、大量光谱波段引起如"Hughes"现象等问题。采用支持向量机(support vector machine, SVM)可以有效解决以上问题。本文从基本的支持向量机理论出发,尝试在SVM分类器当中引入空间信息,并采用两种策略来结合光谱信息和空间信息,提出了数种基于SVM的图像分类方法,主要内容如下所述：(1)结合固定窗提取的空间纹理信息的SVM图像分类算法。针对地物空间信息在图像上的表现之一为纹理这一特点,设计了纹理空间信息提取,采用最简单的固定窗提取方法,分析了图像纹理的直方图指数、自相关指数、边界频率指数以及灰度共生矩阵产生的一些纹理指数,找出其中提取空间信息最充分的一些指数,产生相应的纹理影像,与光谱特性结合用组合核SVM分类器进行分类。实验表明此算法对分类结果有着一定程度的提高。(2)结合图像分割的SVM图像分类算法。针对地物形状这一种空间信息,将图像分割的思想引入图像分类,实现了分水岭算法、K均值聚类分割、MSF (minimum spanning forest,最小生成林)分割三种算法。实验结果发现基于图像分割的SVM图像分类对大面积的地物分类效果有很大提高,但对小面积的地物分类效果却有所降低。(3)结合像素邻域信息的SVM迭代图像分类算法。在分析固定窗方法与图像分割方法的不足的基础之上,进一步提出了基于像素点二阶邻域特征的组合核支持向量机学习算法(spatial-contextual composite kernel support vector machine, SCCSVM),通过迭代和邻域信息的提取来自动平衡空间信息与光谱信息,从而得到最好的分类结果。此外,为了在算法运算量和分类效果之间作一个折衷,又提出了其他两种相对来说运行速度更快的SCCSVM方法。实验证明这类方法的分类效果是最好的。