论文部分内容阅读
针对遥感图像分类中存在的非线性、计算复杂性、模糊性和少的标记数据等问题,以核理论为基础,结合半监督技术和近邻特性等,对广义判别分析(GDA)、模糊C-均值(FCM)和光谱角匹配(SAM)算法进行核扩展,构建了基于核理论的遥感图像分类框架,并应用于遥感图像的训练数据减少、非线性特征提取和分类,提高了遥感图像的分类精度和效率,降低了计算复杂度。论文的主要研究工作和成果:1.针对大数据集进行训练数据减少问题,提出用非线性支持向量机(NSVM)的支持向量来减少遥感图像分类中的训练数据。NSVM方法在保证分类器泛化能力的情况下,减少了训练分类器的数据,降低了计算复杂度。2.针对大数据集进行非线性特征提取的计算复杂度高问题,提出Greedy GDA(GGDA)的训练数据减少和非线性特征提取方法,并应用于遥感图像数据。实验结果表明:GGDA和GDA方法的特征提取性能优于其它对比方法;GGDA方法不仅较好地保持了GDA方法的特征提取性能,而且减少了大数据集进行非线性特征提取的计算复杂度。3.针对传统分类器缺乏考虑遥感图像分类中的非线性、模糊性和少的标记数据等问题,提出一种半监督核FCM(SSKFCM)算法的遥感图像分类方法。该算法使原来在低维空间非线性不可分模式在高维空间变成线性可分,同时,该算法通过半监督学习技术使用标记和未标记数据一起提高了遥感图像的分类精度。4.针对FCM和核FCM(KFCM)算法的最小化误差平方和目标函数具有对数据集进行等划分趋势的缺陷,提出近邻样本密度加权、近邻样本隶属度加权、近邻样本密度和隶属度加权的FCM和KFCM算法。即用近邻样本密度加权系数来影响最小化误差平方和的目标函数,使加权系数高的样本对误差的影响大;用近邻样本隶属度加权系数,使近邻样本有趋向近似相同的隶属度。实验结果表明:几种加权的FCM和KFCM算法都在一定程度克服了FCM和KFCM算法的分类性能,提高了遥感图像的无监督分类能力。5.为了更好处理分类中数据的非线性问题,将光谱角匹配(SAM)算法进行核扩展,形成核SAM(KSAM)算法,并应用于遥感图像分类。实验结果表明:基于KSAM方法的分类精度高于SAM方法。在KSAM方法中,核函数Poly和Sigmoid对核参数过于敏感,最佳分类的核参数值可选范围窄;而核函数ERBF和RBF,不仅分类精度更高,而且最佳分类的核参数值可选范围宽。6.为了进一步验证论文提出的SSKFCM、NSDM-WKFCM和KSAM等核模式分类算法的分类性能,进行了详细的综合分类实验对比。实验结果表明:SSKFCM、NSDM-WKFCM和KSAM算法在同类型对比算法中都显示出最强的分类能力。