专利名称：一种用于遥感影像的多核支持向量机分类方法
技术领域：
本发明涉及一种遥感影像的支持向量机分类方法，特别是一种用于遥感影像的多 核支持向量机分类方法。
背景技术：
支持向量机算法(support vector machine，SVM)在高光谱数据分类时候比起传 统的分类方法具有更好的性能，基于支持向量机算法设计的遥感影像分类器在实际应用中 取得了良好的效果。但是在分类过程中，分类器仅用光谱数据进行学习往往不能达到很好 的分类效果，用支持向量机分类算法进行遥感影像分类的通常过程是通过遥感影像中已 知类别的训练样本对支持向量机分类器进行训练，建立分类的判别函数，然后应用该判别 函数对遥感影像中各个待分类像元根据其输入特征进行处理，确定该像元所属的类别。一 般的分类器仅仅只能应用光谱特征或者空间信息进行分类，基本不能或者难以综合两种特 征进行分类。比如沈照庆提出一种基于NPA的加权“1 V m”SVM高光谱影像分类算法，并且 成功应用于高光谱遥感分类。但是也是仅仅考虑到光谱信息分类。因此，在支持向量机中 综合光谱特征和空间信息进行遥感影像分类，具有重要的应用前景。针对核函数中支持向 量机分类器中的重要作用，本发明提出采用多核支持向量机来综合光谱和结构特征，以提 高遥感影像分类的精度。
发明内容
本发明的目的是要提供一种用于遥感影像的多核支持向量机分类方法，能够将遥 感影像中原始光谱特征和提取的纹理特征综合后作为支持向量机分类算法多个核函数的 输入特征，通过多核支持向量机算法实现对多种特征的组合，从而提高遥感影像的分类精 度和可靠性。本发明的目的是这样实现的在支持向量机分类器中利用多个核函数综合原始光 谱特征和小波变换提取的纹理特征，通过多核组合纹理特征和光谱特征提高分类精度；具 体实现步骤流程为
(1)对原始多光谱或高光谱遥感影像数据首先进行数据预处理，去除噪声波段，然后确 定分类体系并选择训练样本。(2)对步骤(1)得到的数据集进行主成分变换，选择前四个分量作为光谱特征参 与分类，用f代表各像元的光谱信息。(3)采用Daubechies小波，选择8X8的窗口对第一主成分进行小波分解，提取一 维小波纹理，得到一个低频子图像和三个高频子图像，三个高频图像分别代表图像中水平 纹理结构、竖直纹理结构和对角纹理结构信息。(4)采用小波分解频带图像的I1范数作为图像纹理测度，其计算式
3X * Ar
为:Ρ ^ΣΣ^^ΛΙ (其中，MXN为频带图像的大小，m和η分别表示图像的行和 JMufV j=4
列，X为该频带的小波系数)。用4代表像元的纹理信息。(5)分别对光谱特征和纹理特征应用径向基核函数进行运算后，构成多核支持向 量机方法采用的核函数尤( )=
MM
(6)按照支持向量机分类方法的训练策略，采用训练样本对多核支持向量机进行训练。(7)根据训练样本确定的参数，按照决策函数
/(χ) = SgnK^+ δ] = ^g11+ ^ 确定各像素的类别。(8)利用测试样本，对分类结果的精度进行评价。有益效果，体现在遥感影像分类精度提高和改进方面。由于本发明通过多个核函 数对小波纹理特征和光谱特征进行组合，既充分利用了主成分分析提取的光谱特征，又融 入了小波纹理特征，优化了支持向量机分类器，克服了传统方法单独使用光谱特征进行分 类的局限性，因此分类精度得到有效提高。将遥感影像中原始光谱特征和提取的纹理特征 综合后作为支持向量机分类算法多个核函数的输入特征，通过多核支持向量机算法实现对 多种特征的组合，提高了遥感影像的分类精度和可靠性，达到了本发明的目的。优点本方法主要优点是利用多个核函数组合了光谱信息和空间信息，能够提高 分类的精度。
具体实施例方式实施例1 采用北京昌平地区的OMISD高光谱影像，大小为512行，512列，64个波 段。在多核支持向量机的分类方法比较中，首先组合光谱信息和小波纹理，然后用PCA变换 的前4分量和小波纹理进行分类，最后以一维小波纹理和二维小波纹理进行组合分类。各 分类结果和Kappa系数如表1所示。具体实现步骤
(1)对原始多光谱或高光谱遥感影像数据首先进行数据预处理，去除噪声波段，然后确 定分类体系并选择训练样本。(2)对步骤(1)得到的数据集进行主成分变换，选择前四个分量作为光谱特征参 与分类，用4代表各像元的光谱信息。(3)采用Daubechies小波，选择8X8的窗口对第一主成分进行小波分解，提取一 维小波纹理，得到一个低频子图像和三个高频子图像，三个高频图像分别代表图像中水平 纹理结构、竖直纹理结构和对角纹理结构信息。(4)采用小波分解频带图像的I1范数作为图像纹理测度，其计算式
^MN
为舒=^[11对4刀1 (其中，MXN为频带图像的大小，m和η分别表示图像的行和
JraufV ^
权利要求
1、一种用于遥感影像的多核支持向量机分类方法，其特征是在支持向量机分类器中利用多个核函数综合原始光谱特征和小波变换提取的纹理特征，通过多核组合纹理特征和光谱特征提高分类精度；具体实现步骤流程为(1)对原始多光谱或高光谱遥感影像数据首先进行数据预处理，去除噪声波段，然后确定分类体系并选择训练样本；(2)对步骤(1)得到的数据集进行主成分变换，选择前四个分量作为光谱特征参与分类，用 代表各像元的光谱信息；(3)采用Daubechies小波，选择8×8的窗口对第一主成分进行小波分解，提取一维小波纹理，得到一个低频子图像和三个高频子图像，三个高频图像分别代表图像中水平纹理结构、竖直纹理结构和对角纹理结构信息；(4)采用小波分解频带图像的l1范数作为图像纹理测度,其计算式为: (其中，M×N为频带图像的大小，m和n分别表示图像的行和列，x为该频带的小波系数)，用代表像元的纹理信息；(5)分别对光谱特征和纹理特征应用径向基核函数进行运算后，构成多核支持向量机方法采用的核函数；(6)按照支持向量机分类方法的训练策略，采用训练样本对多核支持向量机进行训练；(7)根据训练样本确定的参数，按照决策函数确定各像素的类别；(8)利用测试样本，对分类结果的精度进行评价。615621dest_path_image002.jpg,882655dest_path_image004.jpg,81555dest_path_image006.jpg,750434dest_path_image008.jpg,806114dest_path_image010.jpg
全文摘要
一种用于遥感影像的多核支持向量机分类方法，属于遥感影像的支持向量机分类方法。该方法首先对原始数据进行主成分变换，取前四主成分代表光谱信息，对第一主成分进行小波纹理特征提取，对光谱特征和空间特征采用两个独立的径向基核函数进行组合，最后利用多核支持向量机方法进行分类。通过多个核函数对小波纹理特征和光谱特征进行组合，既充分利用了主成分分析提取的光谱特征，又融入了小波纹理特征，优化了支持向量机分类器，克服了传统方法单独使用光谱特征进行分类的局限性，因此分类精度得到有效提高。优点本方法主要优点是利用多个核函数组合了光谱信息和空间信息，能够提高分类的精度。
文档编号G06K9/66GK101976361SQ201010555339
公开日2011年2月16日 申请日期2010年11月23日 优先权日2010年11月23日
发明者杜培军, 谭琨 申请人:中国矿业大学