[发明专利]一种联合MKFDA和SVM的高光谱遥感图像分类方法

说明书

本发明涉及一种联合MKFDA和SVM的高光谱遥感图像分类方法，提出了MKFDA与SVM相结合的高光谱遥感图像分类算法，来提高高光谱遥感图像的分类速度和分类精度。我们先用MKFDA对光谱波段进行特征降维，再使用SVM对高光谱遥感图像进行分类。基于Pavia University高光谱遥感数据集的实验结果表明，所提出联合MKFDA和SVM的高光谱遥感图像分类方法取得了良好的分类效果，只要8个特征维度就能达到92.13%的分类精度，与直接使用原始数据进行分类相比，减少了95个特征维度，并提高了0.31%的分类精度。

技术领域

本发明涉及遥感图像处理技术领域，特别是一种联合MKFDA和SVM的高光谱遥感图像分类方法。

背景技术

现有的技术方案，简单的将图像进行多尺度分割、显著图提取、特征提取等手段对图像数据量压缩。而高光谱遥感图像提供了丰富的光谱信息，但光谱波段间存在较大的信息冗余甚至噪音，这不利于分类效率和分类精度，所以对高光谱遥感图像进行特征降维具有重要的意义。经典的特征降维技术有主成分分析(Principal Component Analysis，PCA)、线性判别分析(Linear Discriminant Analysis，LDA)、核主成分分析(KernelPrincipal Component Analysis，KPCA)、核线性判别分析(Kernel Linear DiscriminantAnalysis，KLDA)等。PCA应用于高光谱遥感图像分类，可以提高分类效率。但PCA无法提取高于二阶的数据信息，限制了该方法的效果，且PCA提取的维度并不一定有利于分类；用KPCA对高光谱遥感图像进行特征提取，获得了比PCA更好的分类精度，但KPCA特征降维效率低，分类速度较慢；用KLDA既能提取数据的高阶信息，又能保证提取的维度具有较好的可分性，但KLDA只适用于二分类情况，仅能提取到一个维度的特征；支持向量机(Support VectorMachine，SVM)理论完善，针对数据少、线性不可分、局部最优、“过学习”和“欠学习”等问题有良好的效果，为高光谱遥感图像分类带来了新的发展机遇。杜培军等人在高光谱遥感图像分类研究中使用SVM获得了较高的精度。因此，本方案提出使用多类别的核线性判别分析(Multi-class Kernel Fisher Discriminant Analysis，MKFDA)对高光谱遥感图像进行特征降维，并与SVM相结合，对高光谱遥感图像进行分类，以此获得更好的分类效果。

发明内容

有鉴于此，本发明的目的是提供一种联合MKFDA和SVM的高光谱遥感图像分类方法，使用多类别的核线性判别分析对高光谱遥感图像进行特征降维，并与SVM相结合，对高光谱遥感图像进行分类，来获得更好的分类效果。

本发明采用以下方案实现：一种联合MKFDA和SVM的高光谱遥感图像分类方法，包括以下步骤：

步骤S1：将获取的训练用的高光谱训练集进行MKFDA特征降维，并进行数据的标准化；

步骤S2：利用步骤S1中处理好的训练数据，采用遗传算算法对SVM模型进行参数优化，送入SVM分类模型进行训练，最后生成SVM分类模型；

步骤S3：将要进行分类的图像集，同样进行步骤S1中的MKFDA特征降维，将得到的数据进行标准化，送入步骤S2生成的SVM模型就进行预测，将预测好的结果进行分类评价和标记。

进一步地，步骤S1中所述将高光谱训练集进行MKFDA特征降维的具体内容为：

设非线性映射φ:R^d→R^D(D＞d)，为d维空间中属于第j类地物的第i个样本j＝1,2；i＝1...,l_j，l_j为第j类地物的样本数，则D维空间中高光谱遥感数据集的类间散度矩阵类内散度矩阵以及优化目标函数如下：

MKFDA的优化目标函数写成：