遥感图像分类中3种分类算法的应用比较.pdf

遥感图像分类中3种分类算法的应用比较 沈培华夏德深 (南京理工大学计算机系．南京210094) 摘要：首先讨论了支持矢量机算法的一般理论及在单波段灰度图像和RGB彩色图像分类处理 中的应用．并与白适应最小距离法、K近邻法进行了比较，表明支持矢量机算法的效果显著。 关键词：遥感图像分类支持矢量机 1．引言 随着遥感技术的飞速发展，遥感图像空间分辨率已达到米级L7J。图像清晰度大大提高， 包含的信息量也大大增加，对图像进行更加精确和细致的分类已成为可能。近几年，对遥感 图像进行分类采用的方法有自适应最小距离法和K近邻法等。 白适应最小距离法[6]是最小距离分类算法的改进。最小距离分类算法是一种最简单的 监督分类方法，将待分类点归入到与其距离最小的一类。但这种算法的分类精度不高。自适 应最小距离法的思想是精细各类间的边界，采用集合细分方法，将每一类样本集合近似为一 组二叉树子集合的并集，因而能提高算法的精度。自适应最小距离法的样本训练过程是一个 自适应过程，首先计算出每类样本的中心和半径，再重新对训练样本集进行分类；如果分类 精度达不到预定要求，就使用K．Means算法将样本分为两个子集合，求出每个子集合的中 心和半径。重复上述过程+直到各样本集达到分类精度要求为止。分类时，待测样本离哪一 类样本距离最近，就归为那一类。 K近邻法[21是最近邻法的推广。最近邻法在训练样本中寻找与未知样本距离最近的样 本，并认为这个未知样本与其同类；K近邻法是寻找未知样本的K(一般取奇数)个近邻， 判断这K个近邻中多数属于哪一类，就把这个未知样本归为那一类。传统的K近邻法分类 精确度不高，一般采用改进的剪辑近邻法。改进的剪辑近邻法将训练样本集分成两个独立的 互不相交的集合，即考试集和参考集。进行样本训练时，用参考集中的样本对考试集中的每 个样本用K近邻法进行分类决策，剪辑掉考试集中分类错误的样本，然后将考试集中剩余 样本再构成剪辑样本集。样本分类，利用剪辑样本集和最近邻规则对未知样本做分类决策。 到目前为止，支持矢量机算法应用于遥感图像分类还比较少。本文采用支持矢量机算 法、自适应最小距离法及K近邻法，对相同的原始遥感图像进行分类处理，分析结果发现 支持矢量机算法能比另外两种方法获得更好的分类效果。对于复杂图像，即信息包含较多的 图像，支持矢量机算法具有更大的优势．更能把握待分地物的特征，更适合于利用遥感图像 进行地物分类。 ·193· 2．支持矢量机(SVM)算法 支持矢量机算法(svM：Support Vector Machine)是一种基于统计学习理论(SLT： Statistical Learning Theory)的分类方法L1』，最早由Vapnik领导的ATT Bell实验室研究小 组提出。支持矢量(Support Vector)为训练集中一组特征子集，使得对特征子集的线性划 分等价于对整个数据集的分割。目前，SVM算法在模式识别、回归估计、概率密度函数估 计等方面都有应用，精度高于传统的学习算法，表现出更好的学习性能。 2．1 SVM算法的基本思路 日 凰 图1 SVM算法分类超平面 对于两类情况【“，假设训练集可被一个超平面 线性划分，该超平面集为H：(·x)+b=0。H． 和日2分别为各类中离分类超平面最近的样本，且 平行于分类超平面的平面，它们之间的距离叫做分 类间隔(mar-gin)。对于线性可分情况，可假定： 日l：【仲‘。iJ+b≥1， yl=1 H2：(’Xi)+b≤一1，Y。=一1 归一化得 ” y．【(W·*i)+b】≥1 i=1，?，l (1) Hl和日2到日的距离为1川w||，分类间隔为 2／||w||。 使分类间隔最大，也就是使1／2 11 w ll 2最小的分类面就叫最优分类超平面，日。和日2上 的训练样本点就称作支持矢量。因此，求最佳(”，b)可归结为二次规划问题瞪]： minil||ll 2 (2) ·6‘ 5．f． yl(埘‘扎+b)≥1， i=1，2，?，f 规划问题式(2)的对偶问题，即最大化目标函数： re(口)=∑q一了1∑啦吁”yi(”zJ) 5．t．嘶≥0，i=1，?，Z (3) f ∑a。yi：0 引入Lagrange优化函数可求其解。式(3)中at为对应于每个样本的Lagrange乘子。解中 只有一部分(通常是少部分)∞不为零，对应的样本*：就是支持矢量。这样， 。=∑alyl#f (4) b+=Yi一。·*． (5) 相应的分类决策函数为： f ，($)=819n(‘·x+b’)=s‘g“[∑a?竹(z·*{)+b’】 (6) 对于非线性情况，SVM的基本思想是通过事先确定的非线性映射将输入向量#映射到 ·194· 一个高维特征空问中，然后在此高维空间中构建最优超平面。由于目标函数和决策