資源描述：
《基于SVM的高光譜遙感圖像亞像元定位.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、第４２卷第２期武漢大學(xué)學(xué)報(bào)·信息科學(xué)版Ｖｏｌ．４２Ｎｏ．２２０１７年２月ＧｅｏｍａｔｉｃｓａｎｄＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅｏｆＷｕｈａｎＵｎｉｖｅｒｓｉｔｙＦｅｂ．２０１７ＤＯＩ：１０．１３２０３／ｊ．ｗｈｕｇｉｓ２０１５０４４３文章編號(hào)：１６７１－８８６０（２０１７）０２－０１９８－０４基于ＳＶＭ的高光譜遙感圖像亞像元定位王毅１，２１，２李季１中國地質(zhì)大學(xué)地球物理與空間信息學(xué)院，湖北武漢，４３００７４２湖北省地球內(nèi)部多尺度成像重點(diǎn)實(shí)驗(yàn)室，湖北武漢，４３００７４摘要：提出了基于支持向量機(jī)（ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ，ＳＶＭ）的高光
2、譜遙感圖像亞像元定位方法。全變分（ｔｏｔａｌｖａｒｉａｔｉｏｎ，ＴＶ）模型是經(jīng)典的保邊緣平滑濾波器，本文將其引入作為預(yù)處理，來提高混合像元分解及亞像元定位的精度；本文方法在訓(xùn)練和檢驗(yàn)樣本的構(gòu)建過程中，依據(jù)空間相關(guān)性理論，同時(shí)考慮了中心像元及其鄰近像元豐度值對(duì)亞像元類別歸屬的影響；在監(jiān)督分類訓(xùn)練和檢驗(yàn)過程中，通過剔除純凈像元來縮減樣本數(shù)量，在保證算法準(zhǔn)確性的同時(shí)提高了效率。對(duì)真實(shí)高光譜遙感數(shù)據(jù)進(jìn)行了實(shí)驗(yàn)，主觀評(píng)價(jià)和定量分析驗(yàn)證了本文方法的有效性。關(guān)鍵詞：亞像元定位；高光譜遙感；ＳＶＭ；ＴＶ；圖像分類中圖法分類號(hào)：Ｐ２３７文獻(xiàn)標(biāo)志碼：Ａ混合像元普遍存在于遙感
3、圖像中，并且對(duì)解剔除訓(xùn)練樣本和檢驗(yàn)樣本中的純凈像元來縮減樣譯帶來了困難。傳統(tǒng)分類技術(shù)會(huì)導(dǎo)致信息丟失，本數(shù)量，從而保證算法準(zhǔn)確性的同時(shí)提高其效率。且分類精度難以滿足要求。針對(duì)混合像元分解無法確定地物空間分布的問題，Ａｔｋｉｎｓｏｎ提出了亞１ＳＰＭ－ＳＶＭ模型［１］像元定位（ｓｕｂ－ｐｉｘｅｌｍａｐｐｉｎｇ，ＳＰＭ）技術(shù)。國內(nèi)外已有不少亞像元定位方法，Ｍｅｒｔｅｎｓ提出了１．１ＴＶ模型利用遺傳算法對(duì)目標(biāo)函數(shù)求解的亞像元定位方遙感圖像中存在著大量隨機(jī)噪聲，會(huì)導(dǎo)致混法［２］；Ａｐｌｉｎ提出了基于像元分割的亞像元定位合像元分解結(jié)果產(chǎn)生誤差，從而直接影響亞像元［３］
4、；Ｋａｓｅｔｋａｓｅｍ提出了基于馬爾科夫隨機(jī)場定位方法的準(zhǔn)確性。傳統(tǒng)去噪方法在去除噪聲的方法［４］同時(shí)容易破壞地物交界區(qū)域的混合像元，基于的亞像元定位算法；凌峰等在Ａｔｋｉｎｓｏｎ像元交ＴＶ模型的去噪算法不但能夠去除圖像中干擾噪換理論基礎(chǔ)上提出了基于元胞自動(dòng)機(jī)模型的亞像［５］聲，而且還有效地保留了圖像的結(jié)構(gòu)和邊緣信息。元定位模型，并實(shí)現(xiàn)了湖水邊界的亞像元定該模型能夠轉(zhuǎn)化為能量泛函極小化問題，其對(duì)應(yīng)［６］位；吳柯等人提出了正則化最大后驗(yàn)概率模型的Ｅｕｌｅｒ－Ｌａｇｒａｎｇｅ方程為：和模糊ＡＲＴＭＡＰ神經(jīng)網(wǎng)絡(luò)模型的亞像元定位方Ｅ"ｕ法［７，８］；鐘燕飛等人
5、提出了自適應(yīng)的高光譜亞像＝－ｄｉｖ（）＋λ（ｆ－ｕ）＝０，λ≥０ｕ｜"ｕ｜［９］元定位方法。（１）亞像元定位技術(shù)經(jīng)過了數(shù)十年的發(fā)展，依舊式中，Ｅ表示能量；ｆ：ΩＲ２Ｂ表示波段數(shù)為Ｂ→Ｒ存在著一些目前難以解決的問題，如遙感影像的的原始高光譜圖像；ｕ是方程（１）的解；"表示圖像噪聲干擾和算法效率低等。針對(duì)上述問題，本文的梯度。提出了基于支持向量機(jī)（ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ，１．２算法步驟及其實(shí)現(xiàn)ＳＶＭ）的高光譜遙感圖像亞像元定位方法（ＳＰＭ－步驟１假設(shè)參考分類圖中共有Ｎ類地物類ＳＶＭ方法），采用全變分（ｔｏｔａｌｖａｒｉａｔｉｏｎ，ＴＶ）
6、模別，將參考分類圖分解為Ｎ幅二值圖。對(duì)于第ｎ型對(duì)真實(shí)遙感數(shù)據(jù)進(jìn)行增強(qiáng)處理，能夠有效提高（１≤ｎ≤Ｎ）類地物而言，二值圖中所有屬于類別混合像元分解以及亞像元定位方法的精度；通過ｎ的像素點(diǎn)其值為１，其他所有像素值為０。根據(jù)收稿日期：２０１６－０４－２０項(xiàng)目資助：國家自然科學(xué)基金（６１２７１４０８）。第一作者：王毅，博士，副教授，主要從事高光譜遙感影像信息分析與處理研究。ｃｕｇ．ｙｉ．ｗａｎｇ＠ｇｍａｉｌ．ｃｏｍ第４２卷第２期王毅等：基于ＳＶＭ的高光譜遙感圖像亞像元定位１９９放大因子μμ（＝２，３，４，…，）將Ｎ幅二值圖分別亞像元定位方法進(jìn)行比較。ＳＶＭ分類方
7、法是目進(jìn)行降采樣處理，并將其結(jié)果作為初始豐度圖。前使用最為廣泛的監(jiān)督分類方法，該方法訓(xùn)練效再通過構(gòu)建訓(xùn)練數(shù)據(jù)，將其中豐度為１或０的純率高且結(jié)構(gòu)簡單、穩(wěn)定性好；基于ＢＰ神經(jīng)網(wǎng)絡(luò)的凈像元剔除，訓(xùn)練得到ＳＶＭ模型。據(jù)文獻(xiàn)［１０］，亞像元定位方法是目前最經(jīng)典的亞像元定位方本文采用簡化訓(xùn)練樣本的方式來提高算法效率；法，該方法具有較好的非線性擬合能力，訓(xùn)練精度步驟２評(píng)估ＳＶＭ模型的分類準(zhǔn)確率。若穩(wěn)定。為方便起見，ＳＰＭ－ＢＰ表示基于ＢＰ神經(jīng)準(zhǔn)確率不滿足精度要求，則需重新調(diào)整ＳＶＭ參網(wǎng)絡(luò)的亞像元定位方法。采用各地物類別平均均數(shù)。本文采用徑向基核函數(shù)（ｒａｄｉａｌｂａｓ
8、ｉｓｆｕｎｃ－方根誤差（ｍｅａｎｒｏｏｔ－ｍｅａｎ－ｓｑｕａｒｅｅｒｒｏｒ，ｔｉ
