1、1基于支持向量机的高光谱遥感图像分类算法研究的可行性分析报告1引 言 1.1 研究目的 高光谱遥感作为一种新型的遥感方式，在军用和民用领域都发挥着极其重要的作用。高光谱图像分类是高光谱信息处理的重要方向，高精度的分类算法是实现各种应用的前提。高光谱图像以其高分辨率、多波段数、大数据量的特点给传统图像分类技术带来了巨大的挑战。传统的机器学习方法是基于经验风险最小化原则来设计的，其应用的前提是需要足量的学习样本数目。而基于统计学习理论的支持向量机能够克服小样本学习的束缚，因此将支持向量机的设计方法应用到高光谱图像分类中，以便取得更好的分类结果。1.2 课题背景 算法名称：基于支持向量机的高光谱遥感
2、图像分类算法课题研究者：课题组 算法实现者：课题组 实现方式：matlab 仿真 1.3 定义专门术语 ：高光谱遥感，图像处理，支持向量机，参数优化1.4 参考资料 高光谱遥感原理、技术与应用 ，童庆禧，张兵，郑兰芳，电子工业出版社。数字图像处理 ，Rafael C. Gonzalez，电子工业出版社。 模式识别 ，张学工，清华大学出版社。2.可行性研究的前提 2.1 要求 主要功能：在传统遥感影像分类的基础上，结合考虑高光谱影像的特点，2进行目标区分和识别。性能要求：在有限的样本信息中的模型复杂性和学习能力之间寻找到平衡，使得算法具有较高的的分类准确度和良好的泛化能力。 输入要求：图像数据清
3、晰完整具有一般代表性。 输出要求：分类快速精确。 系统实现后，大大减少了算法的学习时间，提高分类结果的精度，具有良好的泛化能力。2.2.条件，假定和限制 建议算法寿命：无限制。 经费来源：科研项目经费。 运行环境：matlab投入运行最迟时间：2015-06-30 2.3 决定可行性的主要因素 成本/效益分析结果，效益成本。 技术可行，现有技术可完全承担开发任务。 操作可行，软件能被原有工作人员快速接受。3.技术可行性分析 3.1 算法简要描述传统的机器学习方法是基于经验风险最小化原则来设计的，其应用的前提是需要足量的样本数目，一般数目较大，但是在实际情况下往往样本数量是有限的。这成为了传统机
4、器学习的瓶颈，采用经验风险最小化原则变得无法满足现实要求。上世纪 90 年代渐渐成熟起来的统计学习理论恰恰解决了小样本学习问题。基于此理论发展起来的支持向量机成为了一种新的模式识别方法，其在有限的样本信息中的模型复杂性和学习能力之间寻找到平衡。特别是在非线性问题、小样本学习问题以及高维数据问题中，支持向量机展现出其在解决此类模式识别问题中的独到的优势。3.2 支持向量机模型 首先有训练样本集 ，线性可分就,.21,:),(0 liyRyGinii x3是指存在 满足下式),(bw1,0)(iiybx线性分类问题的实质就是在众多 对中寻找最合适的能够分离出两类数)(w据的某个 。为了寻找这个参数
5、对，采用了极大间隔分类超平面的方法。),(b分类间隔 也可以解读为超平面 上的一点 到超平面0bxx的距离，可以由下式表示1)(xww1)(依据结构风险最小化原则，最优化问题可以相应地表述成如下二次规划问题 libytsii ,.21,)(.21mnx构造了 Lagrange 函数li iibybL12 )1(),( xww其中， 是每个样本点相应的 Lagrange 乘子。对变量 求偏导数0i ,0),(1liiyabl x0),(1liiyalbw上式代入之前构造的 Lagrange 函数，易得 lilij jijijili lijijijjilij jijijili iiyybL111
6、112)(2 )()(),( xxw 优化问题式的 Wolfe 对偶问题可表述如下：liytsyiliilij jijijili ,.21,0. )(2max11x4易知，上述对偶问题也为凸二次规划问题，对其进行求解，可得唯一最优解 。由定理 3.3 的 KT 条件知， 与 要满足下式：Tl),.(*2*1 *),(*bwlibyii .2,10)(*xw一般只有少部分的样本 对应的 是非零的，它们是最靠近最优分类超平ii面的点，这些使得 为非零的样本点 称之为支持向量(Support Vector)。 *i最后，分类判别函数就为)(sgn)sgn()( 1*liibaybxf xw其中 为符
7、号函数，式子中的求和运算实际上只需对支持向量进行运算，此sgn()为 SVM 分类最一般的表述形式。4.运行可行性分析此次数据由中国科学院长春光学精密机械与物理研究所提供，共分为场景 1（局部） 、场景 1、场景 2 三组，称为数据集 1、数据集 2 和数据集 3，每组场景包含可见近红外通道 80 个波段与短波红外通道 75 个波段两组波段区域，两组波段区域数据的空间分辨率不同。如图 1 为场景 1（局部）可见近红外区域的第 20 波段灰度图，图 2 为场景 1 可见近红外区域的第 34 波段灰度图，图3 场景 2（局部）短波红外区域的第 16 波段灰度图。图 1 场景 1（局部）可见近红外区
8、域第 20 波段灰度图5图 2 场景 1 可见近红外区域 图 3 场景 2 短波红外区域第 34 波段灰度图 第 16 波段灰度图经过图像数据配准和分类器训练以后，用训练所得的分类器对样本数据进行结果预测。三组高光谱数据集的可见近红外波段区域、短波红外波段区域和数据级融合后的数据的目标预测结果如图 4、图 5、图 6、图 7、图 8、图 9、图10、图 11、图 12 所示。图 4 数据集 1 可见近红外波段数据的预测结果图 5 数据集 1 短波红外波段数据的预测结果图 6 数据集 1 融合后数据的预测结果6图 7 数据集 2 可见近红外波段数据的预测结果图 8 数据集 2 短波红外波段数据的
9、预测结果图 9 数据集 2 融合后数据的预测结果图 10 数据集 3 可见近红外波段数据的预测结果7图 11 数据集 3 短波红外波段数据的预测结果图 12 数据集 3 融合后数据的预测结果将高光谱数据集在基于专家知识的方法下指导选取训练数据样本点，训练的分类器用于测试数据，按照可见近红外波段、短波红外波段以及数据级融合三种情况，统一将各个目标检出率集合在一起，可以直观的得到如下表 1、表2、表 3 的三组数据集的专家方法目标检测对照表。表 1 高光谱数据集 1 目标检测统计对照表 (%)专家方法可见近红外波段 短波红外波段 数据级融合数据集 1目标 1检出比目标 2检出比目标 1检出比目标
10、2检出比目标 1检出比目标 2检出比靶标 1 81.24 0.24 86.22 0.48 88.60 0.00 靶标 2 80.25 0.25 78.75 0.00 86.25 0.00 靶标 3 79.58 0.00 89.56 0.00 87.94 0.00 靶标 4 91.46 0.00 93.90 0.00 97.26 0.00 靶标 5 77.66 0.00 84.77 0.00 90.86 0.00 目标点 1靶区小计 81.66 0.10 86.42 0.10 89.87 0.00 靶标 6 3.66 80.37 0.00 93.19 0.00 99.48 靶标 7 5.50 8
11、0.14 0.00 86.84 0.00 90.91 靶标 8 0.48 68.41 0.00 86.22 0.00 95.49 靶标 9 2.36 73.05 0.00 88.65 0.00 93.62 靶标 10 8.06 78.06 0.28 86.67 0.00 96.11 目标点 2靶区小计 3.89 75.85 0.05 88.27 0.00 95.01 无关背景区 0.05 0.05 0.07 0.48 0.31 0.08 8虚警率 0.13 0.12 0.07 0.47 0.31 0.08 表 2 高光谱数据集 2 目标检测统计对照表 (%)专家方法可见近红外波段 短波红外波段
12、 数据级融合数据集 2目标 1检出比目标 2检出比目标 1检出比目标 2检出比目标 1检出比目标 2检出比靶标 1 84.36 5.03 91.90 1.96 97.21 0.00 靶标 2 90.75 3.58 98.81 0.00 99.10 0.00 靶标 3 90.12 3.59 96.41 0.00 97.60 0.00 靶标 4 86.49 9.19 89.73 0.00 94.05 0.00 靶标 5 93.81 5.54 91.86 0.00 97.39 0.00 目标点 1靶区小计 88.91 5.46 93.66 0.41 97.01 0.00 靶标 6 0.00 89.3
13、8 0.00 99.51 0.00 100.00 靶标 7 2.71 84.98 0.00 90.64 0.25 90.89 靶标 8 0.00 87.44 0.00 92.38 0.00 94.62 靶标 9 0.00 83.37 0.00 98.65 0.22 97.30 靶标10 2.13 86.70 0.00 98.67 0.27 96.81 目标点 2靶区小计 0.91 86.33 0.00 95.91 0.14 95.91 无关背景区 0.01 0.05 0.08 0.16 0.02 0.10 虚警率 0.02 0.06 0.08 0.16 0.02 0.10 表 3 高光谱数据集
14、 3 目标检测统计对照表 (%)专家方法可见近红外波段 短波红外波段 数据级融合数据集 3目标 1 检出比 目标 1 检出比 目标 1 检出比靶标 1 83.59 86.98 93.49 靶标 2 97.59 93.05 90.91 靶标 3 78.26 81.33 94.37 靶标 4 88.41 87.41 95.21 靶标 5 82.39 89.49 95.45 目标点1 靶区小计 86.04 87.57 93.89 无关背景区 0.34 0.27 0.01虚警率 0.34 0.27 0.01高光谱数据集 1 的三组数据的目标 1 总体检出率分别为81.66%、86.42%、89.87%
15、 ，呈依次递增的状态，融合后的效果比可见近红外和短波红外波段分别提高了 8.21%、3.45%。同时，数据级融合后的虚警率较可见近红外和短波红外分别提高了 0.18%和 0.24%。三组数据的目标 2 总体检出率分别为 75.85%、88.27% 、 95.01%，呈依次递增的状态，融合后的效果分别提高9了 19.16%、6.74%。同时，数据级融合后的虚警率较可见近红外提高了0.04%，较短波红外降低了 0.39%。高光谱数据集 2 的三组数据的目标 1 总体检出率为88.91%、93.66%、97.01% ，融合效果好于其他，分别提高了 8.1%、3.35%。同时，数据级融合后的虚警率仅比
16、短波红外时提高了 0.06%。三组数据的目标 2 总体检出率分别为 86.33%、95.91%、95.91%，呈依次递增的状态，融合后的效果较可见近红外时提高了 9.58%。同时，数据级融合后的虚警率仅比可见近红外时提高了 0.04%。高光谱数据集 3 的三组数据的目标 1 总体检出率为86.04%、87.57%、93.89% ，融合效果好于其他，分别提高了 7.85%、6.32%。同时，数据级融合后的虚警率比短波红外及可见近红外都有降低。从上述表格中可以看出，支持向量机方法在高光谱分类问题中有较高的分类精度。经过融合后的数据能够有比可见近红外及短波红外单独分类时更好的分类效果，并且没有明显的虚警率的增加。5.社会因素可行性分析 5.1 法律因素 所有软件都选用正版。 所有技术资料都由提出方保管。 利用合同确定违约责任。 5.2 用户使用可行性 参与课题研究的人员要求有一定计算机基础，熟练使用 Matlab。课题研究负责人要求有专业的理论知识，所有人员都要进行相关理论的学习。 6.结论通过实验，证明了基于支持向量机的高光谱遥感图像分类算法具有比较高的分类精度和良好的泛化性能。综合技术、经济、操作等方面的因素可以断定该课题研究具有可行性。10
