基于支持向量机的遥感图像分类方法

为了提高遥感图像分类的精度,弥补传统最大似然分类方法所固有的分类时样本不足的缺陷,提出了 一种基于支持向量机、光谱特征和纹理特征相结合的遥感图像分类方法。采用ETM数据,按照其所提方法进 行了具体分类实验,并将实验结果与最大似然法分类的结果进行了比较分析。结果表明,利用基于支持向量机 的方法进行遥感图像分类,精度明显优于最大似然法分类的精度。利用光谱特征与纹理特征相结合进行分类比 单纯运用光谱特征进行分类效果要好。     

组合核支持向量机高光谱图像分类

为了提高高光谱遥感图像分类中空间信息的利用率,提出一种将空间邻域信息和光谱信息结合的组合核支持向量机(SVM)学习算法.用SVM进行预分类,从分类结果图提取各像素的空间邻域特征,与光谱特征结合构造组合核SVM进行分类,并再次提取空间邻域特征进行多次空-谱信息组合核SVM迭代分类,如此迭代10次,从中选择合适的结果作为最终输出.结果表明,该方法对传统支持向量机的分类精度提升幅度可达10%左右.同时,与其他组合核支持向量机相比,该算法用更少的训练样本获得了更高分类精度.     

基于WWSVDD多分类的遥感图像病害松树识别

针对支持向量数据描述多分类中模糊数据域的误判问题,提出了一种改进的加权小波支持向量数据描述（WWSVDD）多分类方法,并应用于遥感图像病害松树识别.利用无人机搭载双光谱相机获取高分辨率遥感图像,提取地物特征,构建特征向量.用WWSVDD模型描述每类样本,根据待测样本在特征空间中的不同分布,分别采用最小相对距离法和隶属度函数法进行决策分类,从而实现病害松树的识别.实验结果表明,与传统的K近邻和支持向量数据描述多分类方法相比,所提方法在识别病害松树方面准确性更高.     

基于SVM的灵敏度分析方法选取肿瘤特征基因

提出基于支持向量机的灵敏度分析方法选取结肠癌特征基因.用支持向量机分析基因对分类决策函数的灵敏度,递归去除灵敏度较低的若干基因,得到一组候选特征基因子集;以支持向量机为分类工具,检验候选特征基因子集对样本分类的贡献,选取具有最佳分类能力的候选特征基因子集作为结肠癌特征基因子集.通过实验比较,该特征基因子集的分类能力优于文献给出的其他特征基因子集,表明了该方法的可行性和有效性.     

遥感影像信息提取技术的研究与实现

随着遥感技术的发展和遥感应用的深入,遥感影像信息提取方法的研究成为关注的焦点.一般来说遥感影像信息提取包括分类、识别和特征提取.文中主要研究利用MATLAB实现影像中的光谱特征和纹理特征的提取和分类,并结合ERDAS软件对影像进行预处理和分类后处理以及精度评定,最终从精度评定结果来看,两种特征分类的总体精度较高,另外,图像的结构信息有助于提高遥感影像信息提取的精度.     

多特征联合的高光谱图像分类方法研究

在植被类型丰富区域的地物精细分类中,如何有效地利用不同特征和合适的分类方法一直都是地物精细分类研究的重要问题.为了研究在植被类型丰富区域高光谱图像较大时地物精细分类性能,利用雄安新区马蹄湾村航空高光谱图像,研究一种多特征联合的高光谱图像分类方法.首先对高光谱图像进行最小噪声分离变换(NNF),同时提取对应纹理特征;然后计算高光谱图像归一化植被指数(NDVI)和归一化水体指数(NDWI);最后联合上述3类特征,采用最大似然法、支持向量机(SVM)和随机森林法分别进行地物精细分类.实验结果表明,基于文中方案二特征组合方式,即联合NNF前11个特征、对应空间纹理特征、NDVI、NDWI总计101个特征,采用随机森林法分类总体精度达到90.79％,Kappa系数为0.895 1.     

基于支持向量机和遗传算法的特征选择

支持向量机是一个具有多类分类能力的非线性分类器,利用特征集中的不同特征组合构成特征子集,所提供的数据在支持向量机上的平均正确分类率为目标函数值,利用遗传算法在整个特征组合空间中搜索能实现平均正确分类率最大化的最优特征子集。     

遥感图像几何校正的支持向量机算法研究

针对目前遥感图像几何校正算法存在的不足,提出了一种新的遥感图像几何校正算法.引入支持向量机理论和方法,结合遥感图像近似几何校正基本原理,提出遥感图像几何校正的支持向量机算法和实现步骤;选择实验区,使用差分GPS实测地面控制点坐标,使用遥感图像处理软件量测地面控制点对应的影像坐标;使用聚类算法分别选择不同数量的控制点作为遥感图像几何校正的控制点,其余控制点作为检查点;分别使用近似几何校正算法、神经网络和支持向量机算法进行遥感图像的几何校正,并进行校正误差比较分析.算法测试表明:遥感图像几何校正的支持向量机算法具有校正误差小、泛化能力强等特点.     

利用CVGS-XGBoost 遥感识别水体与山体阴影信息

针对喀斯特地区遥感图像中水体和山体阴影信息易混淆使得传统机器学习算法存在分类精度低、计算速度慢的缺点, 改进XGBoost 算法, 通过交叉验证栅格搜索算法对XGBoost 算法进行参数优化, 构建CVGS-XGBoost 分类算法, 提取遥感图像中的水体和山体阴影信息。实验结果表明, CVGS-XGBoost 算法的总体分类精度达到93. 9%, 比原始的XGBoost 算法、 决策树、 随机森林和支持向量机算法构建的分类算法的总体分类精度分别提高1. 5%、 10. 0%、 6. 3%和3. 1%, 且该算法与分类效果较好的支持向量机相比, 运行时间开销少, 可有效地识别喀斯特地区遥感图像中水体和山体阴影信息。     

基于特征脸和支持向量机的人脸识别技术研究

在人脸检测的基础上,针对人脸识别问题,将特征脸理论和支持向量机相结合,把待识别样本投影到由特征脸张成的特征空间,从而提取出有效的可供识别特征,再将提取的特征送入支持向量机训练、分类,最终实现识别算法.该算法充分利用了主分量分析法在特征提取方面的有效性以及支持向量机在处理小样本问题和泛化能力强等方面的优势,使得算法具有较高的识别率.最后在设计的软件平台上进行了仿真,仿真结果表明,该系统可以运用在小型人脸识别的场合.     

Research into a Feature Selection Method for Hyperspectral Imagery Using PSO and SVM

Classification and recognition of hyperspectral remote sensing images is not the same as that of conventional multi-spectral remote sensing images.We propose, a novel feature selection and classification method for hyperspectral images by combining the global optimization ability of particle swarm optimization (PSO) algorithm and the superior classification performance of a support vector machine (SVM).Global optimal search performance of PSO is improved by using a chaotic optimization search technique.Granularity based grid search strategy is used to optimize the SVM model parameters.Parameter optimization and classification of the SVM are addressed using the training date corresponding to the feature subset.A false classification rate is adopted as a fitness function.Tests of feature selection and classification are carried out on a hyperspectral data set.Classification performances are also compared among different feature extraction methods commonly used today.Results indicate that this hybrid method has a higher classification accuracy and can effectively extract optimal bands.A feasible approach is provided for feature selection and classification of hyperspectral image data.     

基于信息融合的遥感分类与回归分析研究

本文提出了组合纹理和光谱信息的遥感图像解译技术,将其运用于陆地水体的二元分类,目的是通过组合两种分析方法的优点,得到更好的解译结果。利用灰度共生矩阵来进行纹理分析,同时,红光和红外光谱分析的使用能够改善陆地和水体的分类边界。纹理分析和光谱特征的融合改进了两类标记的精确度。在此基础上,本文针对多光谱数据的特点提出了灰度级差联合概率矩阵（GLDAP）,利用提取的特征对多光谱高度数据进行了回归分析。     

基于支持向量机的特征选择算法综述

特征选择是目前机器学习领域的研究热点之一,特征选择结果的好坏直接影响着分类器的分类精度和泛化性能.首先分析了特征选择算法的框架;其次分析了支持向量机用于特征选择的意义;然后对基于支持向量机的特征选择算法进行了分析和总结;最后从算法实用性角度出发,面向网络数据,探讨基于支持向量机的特征选择算法研究思路.     

一种基于SVM的人形识别算法

提出了一种基于SVM(支持向量机)人形识别的算法,通过对静态图像小波变换提取目标的局部形状突变特征,并结合动态帧的步态特征,然后利用支持向量机对小样本进行学习与识别.通过实验验证,该算法具有实时性好、识别率高、可靠性高、适用范围广等特点,以达到实现监控自动化和智能化的目标.     

Feature extraction for target identification and image classification of OMIS hyperspectral image

In order to combine feature extraction operations with specific hyperspectrai remote sensing information processing objectives, two aspects of feature extraction were explored. Based on clustering and decision tree algorithm, spectral absorption index (SAI), continuum-removal and derivative spectral analysis were employed to discover characterized spectral features of dif-ferent targets, and decision trees for identifying a specific class and discriminating different classes were generated. By combining support vector machine (SVM) classifier with different feature extraction strategies including principal component analysis (PCA), minimum noise fraction (MNF), grouping PCA, and derivate spectral analysis, the performance of feature extraction approaches in classification was evaluated. The results show that feature extraction by PCA and derivate spectral analysis are effective to OMIS (operational modular imaging spectrometer) image classification using SVM, and SVM outperforms traditional SAM and MLC classifiers for OMIS data.     

基于PSO-SVM算法的长微博贴图识别方法

微博由于字数的限制,当用户需要发较多内容时通常以附图的形式给出,识别包含文本内容贴图的长微博能够为微博研究提供更多有用的数据.在支持向量机（SVM）的基础上结合粒子群算法（PSO）提出了一种识别长微博贴图的PSO-SVM算法.该方法提取长微博贴图的颜色矩和灰度共生矩阵特征,然后利用PSO算法对SVM模型中的误差惩罚参数和核函数进行优化得到最佳分类模型,其最优参数将被用作长微博贴图和非长微博贴图进行分类.实验表明,与传统的基于网格搜索法优化的SVM算法相比,PSO-SVM算法对长微博贴图识别具有更高的准确率和召回率.     

基于纹理特征的高分辨率遥感影像分类方法

灰度共生矩阵能较好反映影像灰度统计规律,小波变换能较好反映影像的多尺度特性,利用两者结合进行了纹理特征提取。将灰度共生矩阵和小波变换提取纹理特征作为分类特征向量,建立基于支持向量机分类模型对高分辨率遥感影像进行分类;在支持向量机参数优化问题上,利用遗传算法进行参数寻优,有效的避免多学习和欠学习状态的发生。分类实验结果表明了本方法的有效性。     

基于LSA和SVM的火灾烟雾检测算法

为了解决视频烟雾检测中特征提取难度较大、复杂度较高的问题,提出一种基于潜在语义(Latent Semantic Analysis,LSA)特征和支持向量机(Support Vector Machine,SVM)的烟雾检测算法。该算法首先将烟雾图像库中的每幅图像进行有重叠分块,提取每个分块的小波纹理与HSV颜色特征;再对所有分块特征进行聚类、量化成"视觉字",并且根据每个"视觉字"在每幅烟雾图像中出现的频率,建立"词-文档"矩阵;然后采用LSA方法获得每幅烟雾图像的潜在语义特征;最后结合SVM,实现视频烟雾检测。对比实验表明,该算法特征提取简便,可以更快检测烟雾的发生,提高了烟雾检测效率。     

模拟电路故障诊断的改进分析

针对模拟电路故障诊断识别率较低的问题,文章结合模拟电路智能故障诊断流程的重要环节对特征选择、特征提取和诊断识别进行了改进分析。首先将支持向量机(support vectormachine,SVM)和传统特征选择算法相结合,改进了现有特征选择算法,接着将主成分分析(principle component analysis,PCA)和独立成分分析(independent component analysis,ICA)相结合提出双空间特征提取算法,并将双空间提取算法和融合特权信息支持向量机(SVM of learn-ing using privileged information,LUPI-SVM)算法相结合,提出基于双空间提取算法的融合特权信息支持向量机模拟电路故障诊断方法。最后对改进后方法进行了应用分析,通过对两个典型电路的仿真测试,验证了改进后方法的可行性和有效性,改进后方法提高了模拟电路故障诊断的性能。