林 超,杨敏华

(中南大学 信息物理工程学院,湖南 长沙 410083)

基于球结构支持向量机的QuickBird影像分类分析

林 超,杨敏华

(中南大学 信息物理工程学院,湖南 长沙 410083)

在支持向量机多类识别基础上探讨以球结构替代传统超平面支持向量机对QuickBird影像进行分类的可行性,对重叠区域的数据分类采用新规则,提高球结构支持向量机算法的泛化性能,并将分类结果与最小距离法、最大似然法分类结果进行比较,实验结果表明该算法有效可行,降低了二次规划的复杂度,缩短了样本训练时间。

支持向量机;核函数;超球;多类分类;重叠区数据

近代遥感起源于20世纪60年代,到80年代高光谱遥感技术兴起,遥感分类是人们获取信息的一种重要的手段[1]。光谱遥感影像分类一般分为监督分类和非监督分类,最常用的监督分类法是统计分类法,包括最大似然法、最小距离法和平行六面体法。其中最大似然法的分类精度和稳定性为最佳,但是该方法的缺点在于:①假定每类的特征向量在特征空间中服从正态分布;②为了准确地估计分布参数,需要大量样本,而且随着波段数的增加,样本数也要求迅速增加。

为了解决有限样本的学习问题,Vapnik等在20世纪70年代建立了统计学习理论(Statistical Learning Theory,SL T)的基本体系,该理论第一次强调了小样本统计学习的重要性[2]。

1 支持向量机

支持向量机(Support Vector Machines,SVM)是基于统计学理论发展起来的,核心思想是把样本非线性映射到高维特征空间(甚至是无穷维空间),以结构风险最小化为归纳原则,在高维空间中构造具有低VC维的最优分类超平面作为判决面,使分类风险上界最小,从而使学习机器具有最优的推广能力[3]。……