SVM在多源遥感图像分类中的应用研究

在利用遥感图像进行土地利用/覆盖分类过程中,可采用以下两种途径来提高分类精度:一是通过增加有利于分类的数据源,引入地理辅助数据和归一化植被指数(NDVI)来进行多源信息融合;二是选择更好的分类方法,例如支持向量机(SVM)学习方法,由于该方法克服了最大似然法和神经网络的弱点,非常适合高维、复杂的小样本多源数据的分类。为了提高多源遥感图像分类的精度,还研究了支持向量机在遥感图像分类中模型的选择,包括多类模型和核函数的选择。分类结果表明,支持向量机比传统的分类方法具有更高的精度,尤其是基于径向基核函数和一对一多类方法的支持向量机模型更适合多源遥感图像分类,因此,基于支持向量机的多源土地利用/覆盖分类能大大提高分类精度。     

基于复小波和支持向量机的纹理分类法*

针对图像纹理分类问题,提出了一种将二元树复小波变换与支持向量机相结合的分类方法,通过二元树复小波变换对纹理图像进行四层分解,提取各子频带小波系数模的均值和标准方差组成特征向量,利用支持向量机作为分类器实现纹理图像分类。对20类Brodatz纹理图像的分类实验表明,提出的方法具有较高的分类精度,在有限训练样本的情况下比传统的分类算法平均正确率有10%左右的提高,体现了该方法的有效性和良好的泛化能力。     

基于面向对象的遥感影像分类研究——以河北省柏乡县为例

遥感作为提取土地覆盖类型的主要手段对监测土地利用变化和制定国家政策具有重要意义。通过利用影像的光谱、形状和纹理信息,面向对象分类方法能够比基于像元的分类方法提供更高精度的数据。基于高分一号卫星数据提出一种自动计算最优尺度的方法,基于多尺度分割和3种监督型机器学习算法对研究区典型地物类型(农田、裸地、居民区和道路)进行面向对象分类,并用总体精度和Kappa系数对分类结果进行精度评价,分析了分类精度与训练样本占总样本比例的关系。研究表明,面向对象分类方法在训练样本占总样本比例较小的情况下就可以取得较高的分类精度,总体精度高于94%。总体来看,支持向量的分类精度比神经网络和决策树的分类精度高。     

基于多元数据和不同分类算法的遥感影像信息提取及精度评价 ——以祁连山东段为例

以祁连山东段典型山地系统为研究区,通过提取研究区TM影像的主成分、各类植被指数、基于灰度共生矩阵的影像纹理特征以及研究区地形特征等数据,应用最优波段指数方法得到最优波段组合,并运用非监督分类、最大似然法、支持向量机分类法、决策树分类法对上述最优波段进行分类研究。结果表明多尺度数据挖掘有利于分类精度的提高,同时选取合适的判断标准的决策树分类方法在遥感信息提取中有比较直观意义和较高的分类精度。在上述分类方法中分类精度由高到低为决策树分类>支持向量机法>最大似然法>非监督分类法。决策树分类总体分类精度为94.50%,kappa系数为0.9122。
     

ALOS影像数据土地覆盖分类及景观特征研究

通过马氏距离法、最大似然法、支持向量机三种途径对土地覆盖进行分类,以混淆矩阵对分类结果做精度评价,结果显示,最大似然法和支持向量机分类有较好的效果。以最大似然法为例,通过引入归一化植被指数（NDVI）、基于灰度共生矩阵的纹理特征等进行不同特征组合的分类,探讨其对分类的影响。研究表明,NDVI、对比度、均值参与分类后,对分类精度都有不同程度的提高,而三者与原始波段的结合分类精度最高。基于分类结果做景观格局定量分析。结果表明,研究区景观类型较为丰富,以耕地为主导,再加上城镇和农村聚落用地,约占到整个研究区的82%,表明景观所受的人类活动干扰和压力很大、生态风险高。因此,必须强化黑河中游绿洲荒漠区的土地利用规划和管理,适当约束耕地和聚落用地的扩张,提高土地利用效率;要加强生态保护和建设,提高景观的抗干扰能力。     

基于高分辨遥感数据的胡杨与柽柳树冠提取

胡杨、柽柳是干旱荒漠区生境的指示种,其树冠提取是荒漠生境遥感定量监测的基础。以塔里木河下游胡杨、柽柳为研究对象,基于QuickBird数据,使用光谱单数据源SVM、光谱结合纹理SVM、面向对象分类和最大似然分类法提取树冠。结果表明:1光谱结合纹理SVM比光谱单源SVM分类精度高9.65%,冠幅估测精度高7.18%,表明高分辨影像上纹理是提高分类精度的重要因素;2面向对象分类法精度最高,分类总体精度86.47%,较光谱单源SVM提高15.67%,较光谱结合纹理SVM提高6.02%,较最大似然法提高22.58%,其冠幅估测精度达87.45%。它兼顾面向对象影像分割与支持向量机方法优点,有效利用分割对象光谱、纹理和空间等信息,较好地解决了其他方法"同物异谱、异物同谱"造成提取树冠破碎的问题,使树冠提取具有较好的稳定性和较高精度。     

复杂地形区土地利用/土地覆被分类机器学习方法比较研究

针对高海拔复杂地形区地貌类型复杂、多样,沟壑纵横、地形破碎等特点,研究快速、有效的土地利用/土地覆被分类方法对土地利用信息获取及更新是非常重要的。以位于黄土高原向青藏高原过渡带的湟水流域为研究区域,基于Landsat 8 OLI影像数据、DEM数据,并结合各种专题特征,在对研究区进行地理分区的基础上,采用人工神经网络、决策树、支持向量机和随机森林4种机器学习方法进行土地利用信息提取并进行精度评价,探索适合于复杂地形区最优的分类方法。研究结果表明:随机森林和决策树的分类精度明显高于支持向量机和人工神经网络。其中随机森林方法的分类精度最高,总体分类精度达85.65%,Kappa系数达0.84。在上述分类基础上,选择随机森林分类方法对Landsat 8全色与多光谱影像融合数据进行进一步的分类研究,总体分类精度达到86.49%,Kappa系数达0.85。这表明随机森林分类方法在保证分类精度的同时又能获得较高的分类效率,对于复杂地形区土地利用信息提取是非常有效的,数据融合在一定程度上提高了分类精度。     

基于SVM的大样本数据回归预测改进算法

针对支持向量机回归预测精度与训练样本尺寸不成正比的问题,结合支持向量机分类与回归算法,提出一种大样本数据分类回归预测改进算法。设计训练样本尺寸寻优算法,根据先验知识对样本数据进行人为分类,训练分类模型,基于支持向量机得到各类别样本的回归预测模型,并对数据进行预测。使用上证指数的数据进行实验,结果表明,支持向量机先分类再回归算法预测得到的均方误差达到12.4,低于人工神经网络预测得到的47.8,更远低于支持向量机直接回归预测得到的436.9,验证了该方法的有效性和可行性。     

样本特征对参数/非参数分类器分类精度的影响分析

为验证理论训练数量(10~30 p)对参数分类器(如最大似然分类)、非参数分类器(如支撑向量机)的适用性以及样本特征(光谱统计、空间分布特征)对分类器分类精度的影响,选择不同规模的训练样本进行最大似然分类和支撑向量机分类,分析分类精度与样本之间的关系。实验结果表明:随着样本量的增加,最大似然、支撑向量机分类精度均随样本量增多而提高并趋于稳定,最大似然分类精度的增长速度要快于支撑向量机。MLC受样本量的影响较大,在小样本的时候(5个),分类精度不稳定,超过30个样本的时候,分类精度稳定下来;对于SVM分类器,在小样本的时候(5个),分类精度较高且稳定,因此SVM分类适合于小样本分类,不受限于理论样本量的影响。当样本量超过最小理论样本量值(30个)的时候,最大似然分类精度要优于支撑向量机,主要是由于当样本量增加后,最大似然更易于获得有效的信息量样本,而对于支撑向量机边缘信息样本的增加数量不大。研究结果为进一步优化样本进行分类打下前期的实验基础。     

基于特征向量的遥感影像自动分类研究

为了实现高分辨率遥感影像自动分类及进一步提高非监督分类的精度和效率,提出了一种训练样本自动选取的面向对象自动分类方法。首先利用均值漂移算法对遥感影像进行分割,获取同质性分割单元;然后对分割对象进行多特征（光谱特征、纹理特征和形状特征）提取,基于特征向量的几何距离进行训练样本自动选择,进而利用支持向量机分类器得到分类结果。实验研究表明,提出的面向对象自动分类算法不但可以利用影像对象丰富的特征信息,而且较好地避免了“椒盐现象”,使自动分类的精度和效率得到较大提升。     

Decision support in machine vision system for monitoring of TFT-LCD glass substrates manufacturing

This study addresses classification methodology for the automatic inspection of a range of defects on the surface of glass substrates in thin film transistor liquid crystal display glass substrate manufacturing. The proposed methodology consisted of four stages: (1) feature extraction by calculating the wavelet co-occurrence signature from the substrate images, (2) handling of imbalanced dataset using the Synthetic Minority Over-sampling TEchnique (SMOTE), (3) reduction of the feature's dimension by principal component analysis, and (4) finally choosing the best classifier between three different methods: Classification And Regression Tree (CART), Multi-Layer Perceptron (MLP) and Support Vector Machine (SVM). In training the SVM and MLP classifiers, the simulated annealing algorithm was used to obtain the optimal tuning parameters for the classifiers. From the industrial case study, the proposed feature extraction algorithm could remove the defect-irrelevant image features and SMOTE increased the accuracy of all three methods. Furthermore, the optimized SVM and MLP models were more accurate than the CART model whereas a higher accuracy of 89.5% was observed for the proposed SVM model.     

Parameter tuning in the support vector machine and random forest and their performances in cross- and same-year crop classification using TerraSAR-X

This article describes the comparison of three different classification algorithms for mapping crops in Hokkaido, Japan, using TerraSAR-X data. In the study area, beans, beets, grasslands, maize, potatoes, and winter wheat were cultivated. Although classification maps are required for both management and estimation of agricultural disaster compensation, those techniques have yet to be established. Some supervised learning models may allow accurate classification. Therefore, comparisons among the classification and regression tree (CART), the support vector machine (SVM), and random forests (RF) were performed. SVM was the optimum algorithm in this study, achieving an overall accuracy of 89.1% for the same-year classification, which is the classification using the training data in 2009 to classify the test data in 2009, and 78.0% for the cross-year classification, which is the classification using the training data in 2009 to classify the data in 2012.     

结合纹理特征的SVM样本分层土地覆盖分类

支持向量机(SVM)分类在精度、泛化性、高维数据处理等方面都具有较强的优势,在遥感影像分类中也得到了广泛应用。由于遥感影像“同物异谱”和“异物同谱”现象的影响,结合纹理特征提高SVM分类精度已成为遥感应用研究的热点。但不同尺度的纹理特征突出的信息不一,在同一尺度上难以区分的地物在多尺度空间则更容易区分,因此,采用多尺度纹理特征进行SVM分类,并从分类样本和纹理特征的选取两个方面探讨SVM土地覆盖分类的方法。首先,以ALOS影像为例,通过灰度共生矩阵提取不同尺度、不同方向的几种纹理特征;然后在光谱分类结果基础上,借助地类特征曲线,选取有效的多尺度纹理特征,最后进行样本分层分类。样本分层分类是选取首层样本进行分类,再从“漏分和错分”地块中选取新样本加入到首层样本中,得到第二层样本并对整个影像进行分类;用同样的方法选出第三层样本或更高层样本进行分类,直到结果满意为止。结果表明:该方法比仅用光谱特征的SVM分类总精度提高了8.11%,Kappa系数增加了0.11。其中,纹理特征的引入使分类总精度提高了4.13%,且对纹理特征较明显的地类更有效;采用样本分层后的分类总精度进一步提高了3.98%,且各单一地类的精度也都有不同程度的提高。借助地类特征曲线选择合适的纹理特征具有一定的可行性,并且采用样本分层的方法能够提高SVM分类的精度。     

融合特征选取和学习策略的支持向量机研究

支持向量机是重要的机器学习方法之一,已成功解决了许多实际的分类问题。围绕如何提高支持向量机的分类精度与训练效率,以分类过程为主线,主要综述了在训练支持向量机之前不同的特征选取方法与学习策略。在此基础上,比较了不同的特征选取方法SFS,IWSS,IWSSr以及BARS的分类精度,分析了主动学习策略与支持向量机融合后获得的分类器在测试集上的分类精度与正确率/召回率平衡点两个性能指标。实验结果表明,包装方法与过滤方法相结合的特征选取方法能有效提高支持向量机的分类精度和减少训练样本量;在标签数据较少的情况下,主动学习能达到更好的分类精度,而为了达到相同的分类精度,被动学习需要的样本数量必须要达到主动学习的6倍。     

Research on Crop Classification Method based on Sentinel-2 Time Series Combined Vegetation Index

Time series is a widely used phenological research method. A new time series vegetation indices which takes full advantage of the red edge information of Sentinel 2 data were used for crop classification to improve the classification accuracy. The NDVI, EVI, and red edge NDVI were combined to construct a time series vegetation index image. Then, four different algorithms (support vector machine, random forest, CART decision tree and maximum likelihood) were used to classify four crops, three forest grasses, bare land, and water bodies. Among the original classification results, the random forest with the highest overall accuracy is 87.92%, and the maximum likelihood with the lowest overall accuracy is 80.07%. In the classification details, the boundaries of random forest and support vector machine are the clearest. Among the four classification results, the classification accuracy of crops is higher than other land types, just smaller than water body. The error mainly comes from the mixture of three forests. It indicates that the time series combined vegetation index is feasible and accurate for crop classification.     

基于哨兵2时间序列组合植被指数的作物分类研究

时间序列是一种常用的物候研究方法。为充分利用哨兵2数据在红边波段的丰富信息,本文利用多种植被指数组合成时间序列进行作物分类。将NDVI、EVI、红边NDVI三种植被指数进行组合,构建时序植被指数图像,然后使用支持向量机、随机森林、CART决策树和最大似然4种不同的算法对四种作物、三种林草、裸露地表、水体进行分类。原始分类结果中,总体精度最高的随机森林为87.92%,最低的最大似然为80.07%,在分类细节上,随机森林和支持向量机的边界最清晰,4种分类结果中,农作物的分类精度均高于其他地类,仅次于水体的精度,误差主要来自三种林草的混分,表明时间序列组合植被指数用于农作物分类是可行的。     

基于多季相Sentinel-2影像的白洋淀湿地信息提取

白洋淀湿地是华北平原上重要的浅水湖泊湿地,对雄安新区绿色发展具有重要的生态价值。对白洋淀高度异质化的景观格局进行分类,能够为白洋淀湿地资源的遥感监测提供指导意义。针对湿地季节变化的特点,对白洋淀每个季节选取一期具有代表性的Sentinel-2影像,采用分类与回归树（CART）、支持向量机（SVM）、随机森林（RF）3种常用的机器学习分类器对15种季相组合实验方案进行分类,分析不同季相遥感影像及其组合对白洋淀湿地信息提取的优劣。结果表明：相较于使用单一季相影像分类,多季相影像的组合能够显著提高分类精度,春&夏季相组合能够得到最优的分类效果,相对单季影像总体分类精度提高了10.9%~25.5%,Kappa系数提高了0.09~0.29;SVM分类器的分类表现较为稳定,能够得到最高的平均分类精度,CART分类器在处理高维特征的能力不如随机森林和SVM;不同特征类型对湿地信息提取的贡献度从高到底依次是红边光谱特征、传统光谱特征、缨帽变换特征、主成分分析特征、纹理特征。实验成果能为湿地信息的遥感识别提供依据。     

基于决策树方法的淡水沼泽湿地信息提取——以三江平原东北部为例

湿地是生态系统的重要组成部分,及时、准确地获得湿地基础信息,对湿地的动态监测、保护与可持续利用及其它领域的研究具有重要意义。以三江平原东北部沼泽湿地为例,利用分类回归树(Classification and Regression Tree,CART)算法从训练样本数据集中挖掘分类规则,集成遥感影像的光谱特征、纹理特征和地学辅助数据建立研究区湿地信息提取的决策树模型。用实测的GPS样本点对分类结果进行精度验证,并与最大似然监督分类方法(Maximum Likelihood Classification,MLC)进行对比。结果表明,基于CART的决策树分类结果的总精度和Kappa系数分别为82.65%和0.7935,分类精度较MLC监督分类方法有明显提高,是内陆淡水沼泽湿地信息提取的有效手段。     

基于多类数据分类的改进克隆选择算法

针对传统的克隆选择算法(CSA)只依次单独针对某一类样本数据进行监督学习从而造成分类效率和精确度不高的问题,提出一种基于改进克隆选择算法的多类监督分类算法。算法通过进化学习可以同时获得多类样本数据的最佳聚类中心,进化过程中抗体适度值的计算综合考虑各类的类内相似性和类间差异性,从而保证得到的最佳聚类中心更具代表性。后续的分类实验中,分别利用常用的4组UCI数据和红树林多光谱TM遥感图像对算法进行验证,实验结果表明遥感图像的分类总精度达到92%,Kappa系数为0.91,UCI数据分类结果也较好,证明该算法是一种有效的多类数据分类算法。