高光譜圖像在實現(xiàn)監(jiān)測、勘探等目標的重要前提是分類技術(shù),其中從統(tǒng)計學習理論中發(fā)展起來的支持向量機,以結(jié)構(gòu)風險最小化作為理論基礎(chǔ),避免了過學習造成分類器過于復雜,喪失泛化性的問題,尤其在有限樣本的情況下仍然具有良好的分類性能。而核函數(shù)的引入,也為解決線性不可分問題提供了最佳的解決途徑。然而,支持向量機的優(yōu)化效率較低卻是阻礙該方法廣泛應(yīng)用的主要因素,特別是一些特定領(lǐng)域的應(yīng)用中對實時性有較高的需求,這將嚴重影響該方法的實用價值。最小二乘支持向量機對原始支持向量機進行了改進,在優(yōu)化條件中用等式約束代替不等式約束,從而大大降低了問題求解的復雜性。雖然最小二乘支持向量機降低了求解的復雜度,卻將所有訓練樣本都作為支持向量參與未知樣本的預測,導致該算法在預測新樣本時速度較慢。同時傳統(tǒng)分類器主要理由光譜數(shù)據(jù)進行訓練以及分類,忽略了對地物空間相關(guān)性的挖掘,造成信息獲取不充分的缺陷�；谝陨蠁栴},經(jīng)過對高光譜圖像分類的深入的研究,本文從基本保持分類精度不降低的前提下,對支持向量機訓練過程進行改進,縮短分類過程所需時間。在此基礎(chǔ)上,將原始分類結(jié)果進行與空間相關(guān)信息的融合,進一步提高分類精度,本文主要工作包括:首...

【文章頁數(shù)】：70 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題研究背景和目的意義
        1.1.1 研究背景
        1.1.2 課題研究的意義
    1.2 遙感圖像成像技術(shù)的發(fā)展及數(shù)據(jù)介紹
        1.2.1 成像光譜技術(shù)
        1.2.2 高光譜圖像的特點
    1.3 遙感圖像分類方法的發(fā)展
    1.4 主要研究內(nèi)容及文章結(jié)構(gòu)
第2章 高光譜圖像分類理論
    2.1 經(jīng)典監(jiān)督分類方法
        2.1.1 最小距離分類法
        2.1.2 光譜角匹配分類法
        2.1.3 最大似然分類
    2.2 基于支持向量機的遙感圖像分類
    2.3 分類方法的評價與本文實驗數(shù)據(jù)
        2.3.1 遙感圖像分類方法的評價
        2.3.2 實驗運行的環(huán)境
        2.3.3 本文采用的數(shù)據(jù)源
    2.4 實驗結(jié)果及分析
    2.5 本章小結(jié)
第3章 支持向量機基本理論
    3.1 支持向量機理論基礎(chǔ)
        3.1.1 VC維理論
        3.1.2 結(jié)構(gòu)風險最小化原則
    3.2 SVM分類原理
        3.2.1 線性分類問題
        3.2.2 廣義線性分類問題
        3.2.3 非線性分類問題
    3.3 最小二乘支持向量機基本理論
    3.4 多類分類原理
        3.4.1 1-a-r型多分類SVM
        3.4.2 1-a-1型多分類SVM
    3.5 本章小結(jié)
第4章 基于庫侖力的訓練樣本縮減策略
    4.1 庫侖力模型下的樣本縮減策略
        4.1.1 庫侖力模型基本原理
        4.1.2 線性庫倫力縮減策略
        4.1.3 非線性庫侖力投影縮減策略
    4.2 實驗結(jié)果及分析
        4.2.1 兩地物分類
        4.2.2 多地物分類
    4.3 本章小結(jié)
第5章 結(jié)合空譜信息的分類結(jié)果改進模型
    5.1 馬爾科夫隨機場
    5.2 空譜結(jié)合分類器模型
        5.2.1 基本原理
        5.2.2 實驗內(nèi)容與結(jié)果分析
    5.3 本章小結(jié)
結(jié)論與展望
參考文獻
攻讀碩士學位期間發(fā)表的論文和取得的科研成果
致謝



本文編號：3905942