[发明专利]一种基于Chernoff距离和SVM的高光谱数据多分类方法

说明书

本发明公开了一种基于Chernoff距离和SVM的高光谱数据多分类方法，其步骤如下：一、对输入数据进行预处理，得到归一化数据；二、计算任意两个类别之间的Chernoff距离，得到Chernoff距离矩阵；三、确定多分类任务OAA策略下的执行顺序表，得到每个波段以及全波段的可分性度量；四、构建基于Chernoff距离的子分类器指导系数；五、采用基于Chernoff距离的加权SVM分类器执行整个OAA策略所确定的分类任务，直到得到各个测试样本的最终单一类别属性。本发明不仅提高了传统的SVM方法的精确度，而且对小样本类别的分类精度有较大的提高，适用于基于OAA分类策略的高光谱图像模式识别应用。

技术领域

本发明属于模式识别领域，涉及一种优化训练数据的基于Chernoff距离的SVM分类方法。

背景技术

高光谱图像数据通常由数百个连续分布的波段构成。把整个数据看成一个三个维度数据长方体，其中两维确定对象在观测平面中的位置，第三维确定对象在光谱波长中的位置。以AVIRIS(Airborne Visible/Infrared Imaging Spectrometer)高光谱数据为例，相邻两个波段之间一般仅相隔10nm左右。由于图像空间相邻波段的波段间相关性非常强，使得传统分类方法必须进行降维之后才能继续处理数据，常用的方法为波段选择。因为核方法(kernel method)受输入空间高维数的影响很小，所以越来越多的研究者选择核方法。无论是否选择波段选择，核方法都具有优良的分类性能，例如我们非常熟悉的支持向量机(Support Vector Machines，SVM)分类器。但是，很少有研究致力于扩展SVM方法使其更适合高光谱数据的多分类应用。

分类错误概率是模式识别中特征有效性的最佳度量，特征选择的理想目标使达到分类错误概率最小。但这点往往难于做到。因此错误概率上界最小常常是一种合理的选择。Chernoff提出的错误概率上界是最小的，称Chernoff上界。Chernoff上界可以有效提高单个核分类器的分类精度，且对于核分类器的分类策略有一定的指导作用。

由于SVM在本质上只能完成二分类任务，高光谱数据的典型多分类应用往往需要借助多个SVM及一定的策略来构建多分类器。目前利用高光谱数据第三维信息对SVM进行改进的工作主要集中在以下两个方面：一是对高光谱输入数据进行滤波处理，二是生成定制化的核函数。但是这些方法都只针对统一的SVM。对于组建多分类器的各SVM，以往的研究都采取了一致对待的简单方案。更加精确的方法是采取一种更为有利的多分类方案，即根据各子分类器所处理的两类对象的特点对其进行核函数的单独定制。在多分类策略上，广泛应用的是OAA(One-Against-All，一对多)和OAO(One-Against-One，一对一)两种策略，他们各有优缺点，前者的子分类器数量较少，但各子分类器的训练时间较长，后者的子分类器数量较多，但各子分类器的训练时间较短。而分类精度方面，二者在经过参数寻优之后差别并不大。

发明内容

本发明的目的在于提出一种改进的基于Chernoff距离的SVM分类方法，通过引入Chernoff距离加权矩阵，使得分类器在训练的过程中充分利用样本的类间信息，且利用Chernoff距离对OAA策略分类顺序选择给予指导，不仅提高了传统的SVM方法的精确度，而且对小样本类别的分类精度有较大的提高，适用于基于OAA分类策略的高光谱图像模式识别应用。

本发明的目的是通过以下技术方案实现的：

一种基于Chernoff距离和SVM的高光谱数据多分类方法，包括如下五个步骤：

一、对输入数据进行预处理，得到归一化数据；

二、计算任意两个类别之间的Chernoff距离，得到Chernoff距离矩阵；

三、确定多分类任务OAA策略下的执行顺序表，得到每个波段以及全波段的可分性度量；

四、构建基于Chernoff距离的子分类器指导系数；