一种二叉树多类支持向量机遥感分类方法,属于遥感分类方法。首先将所有类别分成两个子类,再将子类进一步划分成两个次级子类,如此循环下去,直到得到一个单独的类别为止,这样最终将得到一个由一系列支持向量机构成的二叉分类树,完成二叉树多类支持向量机分类器的构建;在分类过程中使分类误差在远离根结点的分类器中出现,把JM距离最大的类首先分离出来;利用建立的二叉树多类支持向量机分类器,实现遥感影像分类;优点:该方法分类速度快,分类精度优于常用的多类支持向量机分类方法和传统的分类器,综合了类别可分性和二叉树支持向量机两者的优势,因此能够实现遥感影像的快速分类,且能够提高分类精度。
【技术实现步骤摘要】
本专利技术涉及一种遥感分类方法,特别是一种二叉树多类支持向量机遥感分类方 法。
技术介绍
支持向量机算法(Support Vector Machine, SVM)是一种基于统计学习理论的机 器学习算法,采用结构风险最小化(Structural Risk Minimization,SRM)准则,在最小化 样本误差的同时缩小模型泛化误差的上界,从而提高模型的泛化能力。对于SVM在高光谱 遥感分类中的应用研究,国际上有许多学者展开了深入研究和分析。Foody主要研究了小样 本在高光谱分类时候对于SVM分类的影响。Camps-Valls等提出了模糊Sigmoid核进行 遥感分类能取得较高的分类精度,并且与其他核函数相比具有较低的计算量。Camps-Valls 等还研究了多种SVM混合核函数对高光谱遥感分类的影响,提出了交叉信息核的概念。 Bruzzone等提出了一种增量SVM进行半监督的遥感影像分类研究,TSVM能够应用无标识的 样本进行分类,在小样本学习更具有优势。Fauvel等应用SVM与决策融合结合进行高光谱 遥感影像分类,并且取得了较好的分类效果。沈照庆提出一种基于NPA的加权“1 Vm”SVM 高光谱影像分类算法,并且成功应用土高光谱遥感分类。谭琨等比较分析了支持向量机的 核函数对分类精度的影响,总结出RBF核函数在高光谱遥感分类中具有较高的分类精度。 黄昕提出了一种多尺度空间特征融合的分类方法,旨在利用不同尺度的空间邻域特征弥补 传统方法的不足。针对不同尺度特点,用小波变换压缩空间邻域特征,并结合支持向量机得 到不同尺度下的分类结果,然后根据尺度选择因子为每个像元选择最佳的类别。支持向量机算法最初是针对二类分类问题而提出的,如何将其有效地推广到多类 别分类是当前支持向量机用于遥感分类研究的重要内容之一。目前,对于多类分类问题, SVM的解决途径通常有两种一种是构造多个SVM 二值分类器并将它们组合起来实现多类 分类,例如one-against-rest、one-against-one和DAGSVM ;另一种是将多个分类面的参数 求解合并到一个最优化问题中,通过求解该最优化问题“一次性”地实现多类分类。第二类 方法尽管看起来简洁,但是在最优化问题求解过程中的变量远远多于第一类方法,训练速 度又不及第一类方法,而且在分类精度上也不占优。当训练样本数非常大时,这一问题更加 突出,正因如此,第一类方法更为常用。
技术实现思路
本专利技术的目的是要提供一种提高遥感影像分类的精度和可靠性的二叉树多类支 持向量机遥感分类方法。本专利技术的目的是通过以下方法实现的首先将所有类别分成两个子类,再将子类 进一步划分成两个次级子类,如此循环下去,直到得到一个单独的类别为止,这样最终将得 到一个由一系列支持向量机构成的二叉分类树,完成二叉树多类支持向量机分类器的构 建;在分类过程中使分类误差在远离根结点的分类器中出现,把JM距离最大的类首先分离出来;利用建立的二叉树多类支持向量机分类器,实现遥感影像分类; 具体实现步骤为(1)利用各类别的训练样本,根据公式权利要求一种,其特征是首先将所有类别分成两个子类,再将子类进一步划分成两个次级子类,如此循环下去,直到得到一个单独的类别为止,这样最终将得到一个由一系列支持向量机构成的二叉分类树,完成二叉树多类支持向量机分类器的构建;在分类过程中使分类误差在远离根结点的分类器中出现,把JM距离最大的类首先分离出来;利用建立的二叉树多类支持向量机分类器,实现遥感影像分类;具体实现步骤为利用各类别的训练样本,根据公式,计算任意两类间分离性测度,将所有类别的分离性测度进行组合,组成分离性测度矩阵,把相同类间分离性测度值设0,表示最不容易分开 (2)首先找出分离性测度最大的两类,在分离性测度相等的类时,按照类别排列顺序,排列在前的首先进行分类;在分离性测度有相等的类时,一类作为子类集合A,另一类作为子类集合B,同时把A集合中的类中心作为A集合的中心,B集合中的类中心作为B集合的中心;(3)对于除A、B集合类之外的任一模式类,所分出的类与A集合中类的分离性测度小,就归属为A集合,同时修改A集合的类中心;所分出的类与B集合中心的分离性测度小,就归属为B集合,修改B集合的类中心值;(4)按照第(2)步、第(3)步的分割方式,把其余的模式类划分集合A或集合B;(5)将集合A和集合B分别作为二叉树根节点支持向量机的左右子树,训练支持向量机,实现对集合A和集合B的分离;(6)对集合A和集合B分别作为单独的模式分类问题,分别采用每一集合中各类别的训练样本,重复进行步骤2到步骤5,生成各层次的二叉树节点,直到所有的类被单独分离出来为止,完成二叉树多类支持向量机分类器的构建;(7)利用建立的二叉树多类支持向量机分类器,对原始遥感影像进行分类处理,获取每一像素的类别,实现遥感影像分类;(8)采用精度评价指标对遥感影像进行分类。2010105553510100001dest_path_image001.jpg,690701dest_path_image002.jpg全文摘要一种,属于遥感分类方法。首先将所有类别分成两个子类,再将子类进一步划分成两个次级子类,如此循环下去,直到得到一个单独的类别为止,这样最终将得到一个由一系列支持向量机构成的二叉分类树,完成二叉树多类支持向量机分类器的构建;在分类过程中使分类误差在远离根结点的分类器中出现,把JM距离最大的类首先分离出来;利用建立的二叉树多类支持向量机分类器,实现遥感影像分类;优点该方法分类速度快,分类精度优于常用的多类支持向量机分类方法和传统的分类器,综合了类别可分性和二叉树支持向量机两者的优势,因此能够实现遥感影像的快速分类,且能够提高分类精度。文档编号G06K9/66GK101980251SQ20101055535公开日2011年2月23日 申请日期2010年11月23日 优先权日2010年11月23日专利技术者杜培军, 谭琨 申请人:中国矿业大学本文档来自技高网...
【技术保护点】
一种二叉树多类支持向量机遥感分类方法,其特征是:首先将所有类别分成两个子类,再将子类进一步划分成两个次级子类,如此循环下去,直到得到一个单独的类别为止,这样最终将得到一个由一系列支持向量机构成的二叉分类树,完成二叉树多类支持向量机分类器的构建;在分类过程中使分类误差在远离根结点的分类器中出现,把JM距离最大的类首先分离出来;利用建立的二叉树多类支持向量机分类器,实现遥感影像分类; 具体实现步骤为: 利用各类别的训练样本,根据公式***,计算任意两类间分离性测度,将所有类别的分离性测度进行组合,组成分离性测度矩阵,把相同类间分离性测度值设0,表示最不容易分开: *** (2):首先找出分离性测度最大的两类,在分离性测度相等的类时,按照类别排列顺序,排列在前的首先进行分类;在分离性测度有相等的类时,一类作为子类集合A,另一类作为子类集合B,同时把A集合中的类中心作为A集合的中心,B集合中的类中心作为B集合的中心; (3):对于除A、B集合类之外的任一模式类,所分出的类与A集合中类的分离性测度小,就归属为A集合,同时修改A集合的类中心;所分出的类与B集合中心的分离性测度小,就归属为B集合,修改B集合的类中心值; (4):按照第(2)步、第(3)步的分割方式,把其余的模式类划分集合A或集合B; (5):将集合A和集合B分别作为二叉树根节点支持向量机的左右子树,训练支持向量机,实现对集合A和集合B的分离; (6):对集合A和集合B分别作为单独的模式分类问题,分别采用每一集合中各类别的训练样本,重复进行步骤2到步骤5,生成各层次的二叉树节点,直到所有的类被单独分离出来为止,完成二叉树多类支持向量机分类器的构建;(7)利用建立的二叉树多类支持向量机分类器,对原始遥感影像进行分类处理,获取每一像素的类别,实现遥感影像分类; (8)采用精度评价指标对遥感影像进行分类。...
【技术特征摘要】
【专利技术属性】
技术研发人员:杜培军,谭琨,
申请(专利权)人:中国矿业大学,
类型:发明
国别省市:32[]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。