CN101976361A - 一种用于遥感影像的多核支持向量机分类方法 - Google Patents
一种用于遥感影像的多核支持向量机分类方法 Download PDFInfo
- Publication number
- CN101976361A CN101976361A CN201010555339XA CN201010555339A CN101976361A CN 101976361 A CN101976361 A CN 101976361A CN 201010555339X A CN201010555339X A CN 201010555339XA CN 201010555339 A CN201010555339 A CN 201010555339A CN 101976361 A CN101976361 A CN 101976361A
- Authority
- CN
- China
- Prior art keywords
- support vector
- vector machine
- classification
- kernel
- spectral
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000003595 spectral effect Effects 0.000 claims abstract description 27
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000000513 principal component analysis Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000000701 chemical imaging Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- ZZUFCTLCJUWOSV-UHFFFAOYSA-N furosemide Chemical compound C1=C(Cl)C(S(=O)(=O)N)=CC(C(O)=O)=C1NCC1=CC=CO1 ZZUFCTLCJUWOSV-UHFFFAOYSA-N 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
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。
Description
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。
(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。
(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。
(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。
具体实施方式
实施例1:采用北京昌平地区的OMIS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。
(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。
(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。
表1多核SVM分类精度
为进行比较,应用单核SVM进行分类,采用RBF核函数被作为光谱信息和纹理信息分类。不同分类方法的精度和Kappa系数如表2所示, 为RBF核函数的参数。
表2单核SVM分类精度
对于以上试验,多核支持向量机的分类方法优于单核支持向量机方法,而采用PCA分析前四主成分和和一维小波纹理的多核支持向量机分类方法具有最高的精度,表明了本发明的有效性和可靠性。
实施例2:实验数据是2003年由ROSIS传感器获取的意大利Pavia大学数据。实验数据1和实验数据2一样,首先进行单核SVM分类,然后进行了多核SVM分类,分类精度如表3和表4所示。
表3单核SVM分类精度
表4多核SVM分类精度
可以看出,试验2的结果和试验1相同,采用主成分变换前四分量和一维小波纹理特征的多核支持向量机方法可以获得最高的精度,充分表明了本发明的可靠性和有效性。
Claims (1)
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;
(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;
(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;
(8)利用测试样本,对分类结果的精度进行评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010555339XA CN101976361A (zh) | 2010-11-23 | 2010-11-23 | 一种用于遥感影像的多核支持向量机分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010555339XA CN101976361A (zh) | 2010-11-23 | 2010-11-23 | 一种用于遥感影像的多核支持向量机分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101976361A true CN101976361A (zh) | 2011-02-16 |
Family
ID=43576245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010555339XA Pending CN101976361A (zh) | 2010-11-23 | 2010-11-23 | 一种用于遥感影像的多核支持向量机分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101976361A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982345A (zh) * | 2012-11-16 | 2013-03-20 | 福州大学 | 基于连续小波变换的时序遥感影像半自动分类方法 |
CN103425995A (zh) * | 2013-07-22 | 2013-12-04 | 西安电子科技大学 | 基于区域相似性低秩表示降维的高光谱图像分类方法 |
CN104102929A (zh) * | 2014-07-25 | 2014-10-15 | 哈尔滨工业大学 | 基于深度学习的高光谱遥感数据分类方法 |
CN104200217A (zh) * | 2014-08-07 | 2014-12-10 | 哈尔滨工程大学 | 基于一种复合核函数的高光谱分类方法 |
CN105740416A (zh) * | 2016-01-29 | 2016-07-06 | 武汉理工大学 | 基于多智能体和蚁群算法的面向对象遥感分类方法 |
CN106503727A (zh) * | 2016-09-30 | 2017-03-15 | 西安电子科技大学 | 一种高光谱图像分类的方法及装置 |
CN106503739A (zh) * | 2016-10-31 | 2017-03-15 | 中国地质大学(武汉) | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统 |
CN106845401A (zh) * | 2017-01-20 | 2017-06-13 | 中国科学院合肥物质科学研究院 | 一种基于多空间卷积神经网络的害虫图像识别方法 |
CN107071858A (zh) * | 2017-03-16 | 2017-08-18 | 许昌学院 | 一种Hadoop下的剖分遥感影像并行处理方法 |
CN107239759A (zh) * | 2017-05-27 | 2017-10-10 | 中国科学院遥感与数字地球研究所 | 一种基于深度特征的高空间分辨率遥感图像迁移学习方法 |
CN109934291A (zh) * | 2019-03-13 | 2019-06-25 | 北京林业大学 | 林地树种分类器的构建方法、林地树种分类方法及系统 |
CN110175638A (zh) * | 2019-05-13 | 2019-08-27 | 北京中科锐景科技有限公司 | 一种扬尘源监测方法 |
-
2010
- 2010-11-23 CN CN201010555339XA patent/CN101976361A/zh active Pending
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982345B (zh) * | 2012-11-16 | 2015-06-03 | 福州大学 | 基于连续小波变换的时序遥感影像半自动分类方法 |
CN102982345A (zh) * | 2012-11-16 | 2013-03-20 | 福州大学 | 基于连续小波变换的时序遥感影像半自动分类方法 |
CN103425995A (zh) * | 2013-07-22 | 2013-12-04 | 西安电子科技大学 | 基于区域相似性低秩表示降维的高光谱图像分类方法 |
CN103425995B (zh) * | 2013-07-22 | 2017-03-01 | 西安电子科技大学 | 基于区域相似性低秩表示降维的高光谱图像分类方法 |
CN104102929A (zh) * | 2014-07-25 | 2014-10-15 | 哈尔滨工业大学 | 基于深度学习的高光谱遥感数据分类方法 |
CN104102929B (zh) * | 2014-07-25 | 2017-05-03 | 哈尔滨工业大学 | 基于深度学习的高光谱遥感数据分类方法 |
CN104200217A (zh) * | 2014-08-07 | 2014-12-10 | 哈尔滨工程大学 | 基于一种复合核函数的高光谱分类方法 |
CN104200217B (zh) * | 2014-08-07 | 2017-05-24 | 哈尔滨工程大学 | 基于一种复合核函数的高光谱分类方法 |
CN105740416B (zh) * | 2016-01-29 | 2019-01-29 | 武汉理工大学 | 基于多智能体和蚁群算法的面向对象遥感分类方法 |
CN105740416A (zh) * | 2016-01-29 | 2016-07-06 | 武汉理工大学 | 基于多智能体和蚁群算法的面向对象遥感分类方法 |
CN106503727A (zh) * | 2016-09-30 | 2017-03-15 | 西安电子科技大学 | 一种高光谱图像分类的方法及装置 |
CN106503727B (zh) * | 2016-09-30 | 2019-09-24 | 西安电子科技大学 | 一种高光谱图像分类的方法及装置 |
CN106503739A (zh) * | 2016-10-31 | 2017-03-15 | 中国地质大学(武汉) | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统 |
CN106845401A (zh) * | 2017-01-20 | 2017-06-13 | 中国科学院合肥物质科学研究院 | 一种基于多空间卷积神经网络的害虫图像识别方法 |
CN107071858A (zh) * | 2017-03-16 | 2017-08-18 | 许昌学院 | 一种Hadoop下的剖分遥感影像并行处理方法 |
CN107239759A (zh) * | 2017-05-27 | 2017-10-10 | 中国科学院遥感与数字地球研究所 | 一种基于深度特征的高空间分辨率遥感图像迁移学习方法 |
CN109934291A (zh) * | 2019-03-13 | 2019-06-25 | 北京林业大学 | 林地树种分类器的构建方法、林地树种分类方法及系统 |
CN109934291B (zh) * | 2019-03-13 | 2020-10-09 | 北京林业大学 | 林地树种分类器的构建方法、林地树种分类方法及系统 |
CN110175638A (zh) * | 2019-05-13 | 2019-08-27 | 北京中科锐景科技有限公司 | 一种扬尘源监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101976361A (zh) | 一种用于遥感影像的多核支持向量机分类方法 | |
CN110084159A (zh) | 基于联合多级空谱信息cnn的高光谱图像分类方法 | |
CN105913040B (zh) | 暗视觉条件下的双摄像头实时行人检测系统 | |
CN102214298B (zh) | 基于选择性视觉注意机制的遥感图像机场目标检测与识别方法 | |
CN109902715B (zh) | 一种基于上下文聚合网络的红外弱小目标检测方法 | |
CN111160273B (zh) | 一种高光谱图像空谱联合分类方法及装置 | |
CN106203522B (zh) | 基于三维非局部均值滤波的高光谱图像分类方法 | |
CN109711466B (zh) | 一种基于边缘保留滤波的cnn高光谱图像分类方法 | |
CN101059425A (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的方法和装置 | |
CN110533077A (zh) | 用于高光谱图像分类的形状自适应卷积深度神经网络方法 | |
CN108182449A (zh) | 一种高光谱图像分类方法 | |
CN105184314B (zh) | 基于像素聚类的wrapper式高光谱波段选择方法 | |
CN104463881B (zh) | 一种基于光谱反射率邻域差异图和邻域概率融合的多光谱遥感影像变化检测方法 | |
CN113673556B (zh) | 一种基于多尺度密集卷积网络的高光谱图像分类方法 | |
CN105512612A (zh) | 一种基于svm的胶囊内窥镜图像分类方法 | |
CN111639697B (zh) | 基于非重复采样与原型网络的高光谱图像分类方法 | |
CN109063773B (zh) | 一种利用图像特征提高激光探针分类精度的方法 | |
CN109190456A (zh) | 基于聚合通道特征和灰度共生矩阵的多特征融合俯视行人检测方法 | |
CN110111276A (zh) | 基于空-谱信息深度利用的高光谱遥感影像超分辨率方法 | |
CN108846329A (zh) | 一种基于波段选择和特征融合的高光谱人脸识别方法 | |
CN103268494B (zh) | 基于稀疏表示的寄生虫虫卵识别方法 | |
CN114821341A (zh) | 基于fpn与pan网络的双重注意力的遥感小目标检测方法 | |
CN105869161B (zh) | 基于图像质量评价的高光谱图像波段选择方法 | |
CN108446723B (zh) | 一种高光谱图像的多尺度空谱协同分类方法 | |
Yang et al. | SiamMMF: multi-modal multi-level fusion object tracking based on Siamese networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20110216 |