论文摘要
高光谱图像分类是高光谱应用中的核心技术之一,快速、高精度的高光谱图像分类算法是实现各种实际应用的前提。传统的模式分类方法以经验风险最小化为归纳原则,只有当样本数趋于无穷时,其性能才能达到理论上的最优。然而在高光谱图像分类中,训练样本通常是有限的。本文借助支持向量机方法在小样本、非线性及高维特征空间中具有良好的分类性能,针对高光谱图像分类的特点,对支持向量机方法及其在高光谱图像分类中的应用进行了深入的研究,主要工作包括:首先,核函数是支持向量机的核心,核函数又分为局部核函数与全局核函数两大类,不同的核函数将产生不同的分类效果。常用的核函数RBF只具有局部性,根据像素间欧氏距离作为两个类别的亮度差异性测量。文中提出引入像素光谱角度作为混合差异性测量,同时具有全局特性。新型的组合式核函数既具有较好的学习能力,又能充分应用高光谱图像所提供的信息。其次,最小二乘支持向量机是为了便于求解而对标准支持向量机进行的扩展,它通过将原不等式约束的二次优化问题转化成等式约束的线性系统,极大地简化了计算,但这一扩展导致解丧失了稀疏性和稳健性。文中在充分理解最小二乘支持向量层状分布特点的基础上,提出针对训练样本向量值的层状分布进行双边加权,对于远离分类面的非支持向量增加其阈值,减小了这部分向量的权值,减弱了非支持向量对构造最优分类面的影响。双边的加权方式对类别差异造成的影响也进行了相应的补偿。而且由于一部分松弛因子趋于零,进而改善了权值矩阵的稀疏性,加快了分类速度。最后,文中系统总结了现有的六种多类支持向量机的代表性构造方法,并从训练速度、分类速度、结构选择与推广能力、分类精度四个方面对各种多类分类进行详细讨论。针对高光谱数据结构特点,引入采用超球体聚类结构生成算法,将每一类样本的分割距离作为二叉树结构生成依据,兼顾类间距,类内距与最优分类面的关系,很大程度上减少自上而下的误差累积。