| 【中文题名】 | 基于支持向量机的高光谱遥感图像分类 |
| 【英文题名】 | Hyperspectral Imagery Classification Based on Support Vector Machine |
| 【学科专业】 | 通信与信息系统 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-21 |
| 【中关键词】 | 高光谱图像分类,支持向量机,多类分类,二次分类,模糊支持向量机, |
| 【英关键词】 | Hyperspectral imagery classification,Support Vector Machine,Multiclass classification,Secondary classification,Fuzzy Support Vector Machine, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>遥感技术>遥感图像的解译、识别与处理>图像处理方法> |
| 【论文摘要】 |
高光谱遥感作为一种新型遥感技术已经在军用和民用的多个领域中发挥着重要的作用。它的突出特点是具有较高的谱分辨能力，但这是以其较大的数据量以及较高的数据维为代价的。因此多光谱图像的处理方法不再适用于高光谱图像处理，如何从高光谱数据中快速而准确的挖掘出所需要的信息，目前仍是一个有待解决的问题。分类是人们获取信息的一种重要的手段。传统的分类方法用于高光谱图像分类时，由于存在样本不足的问题，容易导致Hughes现象。支持向量机(SVM)是在统计学习理论框架下产生的一种学习方法，可以有效的解决这个现象。本文针对高光谱数据的特性，对SVM在高光谱图像分类中的应用进行了研究，主要内容和创新点如下：
1．分析了高光谱数据的特性和高光谱图像的分类流程以及各处理阶段的内容：指出传统的分类方法在处理高光谱数据分类时存在的弊端，并给出了用支持向量机进行高光谱图像分类的优点。
2．深入研究了多类SVM，并从四个方面总结了现有的多类支持向量机的构造方法：用多个两类分类器实现多类分类、用层次型两类分类器实现多类分类、用一个最优化问题一次性实现多类分类和纠错编码的SVM，介绍了每种构造方法的代表性算法，并系统的比较了... |
| 【论文题纲】 |
|
摘要 |
5-6 |
|
Abstract |
6-10 |
|
第1章 绪论 |
10-16 |
|
1.1 课题研究背景和意义 |
10-12 |
|
1.2 高光谱分类的研究现状 |
12-14 |
|
1.3 本文的研究内容和组织结构 |
14-16 |
|
第2章 高光谱遥感图像的分类理论 |
16-28 |
|
2.1 高光谱遥感图像数据 |
16-21 |
|
2.1.1 高光谱数据的描述 |
17-19 |
|
2.1.2 本文的数据描述方式 |
19-20 |
|
2.1.3 高光谱数据的特性 |
20-21 |
|
2.2 高光谱数据的分类流程 |
21-24 |
|
2.3 高光谱数据分类存在的问题 |
24-27 |
|
2.3.1 Hughes效应 |
24-26 |
|
2.3.2 光谱混合现象 |
26 |
|
2.3.3 传统分类方法存在的问题 |
26-27 |
|
2.4 本章小结 |
27-28 |
|
第3章 统计学习理论和支持向量机 |
28-42 |
|
3.1 统计学习理论 |
28-34 |
|
3.1.1 机器学习问题的表示 |
28-29 |
|
3.1.2 经验风险最小化原则 |
29-30 |
|
3.1.3 复杂性与推广能力 |
30-31 |
|
3.1.4 统计学习理论 |
31-34 |
|
3.2 支持向量机 |
34-40 |
|
3.2.1 最优分类面 |
35-37 |
|
3.2.2 支持向量机 |
37-39 |
|
3.2.3 核函数 |
39-40 |
|
3.2.4 支持向量机的特点 |
40 |
|
3.3 本章小结 |
40-42 |
|
第4章 基于多类SVM的高光谱图像分类 |
42-64 |
|
4.1 两类支持向量机分类原理 |
42-44 |
|
4.2 多类支持向量机的研究现状 |
44-54 |
|
4.2.1 用多个两类分类器实现多类分类 |
44-46 |
|
4.2.2 用层次型两类分类器实现多类分类 |
46-52 |
|
4.2.3 用一个最优化问题一次性实现多类分类 |
52-53 |
|
4.2.4 纠错编码SVM |
53-54 |
|
4.3 二次分类的多类支持向量机 |
54-55 |
|
4.4 高光谱遥感图像分类仿真实验 |
55-63 |
|
4.4.1 实验图像和分类流程 |
55-57 |
|
4.4.2 1-a-1 SVM和二次分类算法的仿真实验 |
57-61 |
|
4.4.3 基于DAG-SVM和ADAG-SVM的高光谱分类实验 |
61-63 |
|
4.5 本章小结 |
63-64 |
|
第5章 基于模糊SVM的高光谱图像分类 |
64-70 |
|
5.1 多类支持向量机存在的局限性 |
64-65 |
|
5.2 模糊集的基本概念 |
65-66 |
|
5.3 基于1-a-1SVM的模糊支持向量机 |
66-68 |
|
5.4 高光谱遥感图像分类仿真实验 |
68-69 |
|
5.5 本章小结 |
69-70 |
|
结论 |
70-72 |
|
参考文献 |
72-76 |
|
攻读硕士学位期间发表的文章和取得的科研成果 |
76-77 |
|
致谢 |
77 |
|
| 【DOI】 | LunWen.ID:2.2008.389459 |
