基于SVM核函数评价的高光谱遥感影像核分类方法比较研究

秦进春，余旭初，谭 熊，余岸竹，付琼莹

(信息工程大学地理空间信息学院，河南郑州450052)

一、引 言

由于高光谱影像所包含的数据量大，波段间相关性很高，使用传统的遥感影像分类方法对其进行分类时，会产生“维数灾难”现象，因此针对高光谱影像的分类方法亟待研究。经过国内外学者的不断探索，大量的高光谱影响分类方法被提出并成功应用，其中基于核函数的支持向量机(support vector machine，SVM)[1]最先被提出，目前已在高光谱影像分类中取得了很好的应用效果[2]。

SVM是一种基于统计学习理论的新型机器学习算法，通过核函数将输入空间数据转换到高维特征空间中去，进而能够很好地表达数据之间的非线性关系，对解决非线性可分问题有很好的效果[3]。在SVM中，常使用的核函数有线性核函数、多项式核函数、径向基核函数、Sigmoid核函数等。不同的核函数具有不同的适应性，所以，在使用SVM对高光谱影像进行分类时，必须根据数据特点选择合适的核函数和核参数。基于此，本文对SVM常用的4种核函数分别应用于高光谱影像分类，并利用交叉验证的方法来寻找的最优核函数参数，交叉验证的思想是测试不同组的参数，具有最高交叉精度的就是最佳参数。得到最佳核参数后通过试验对比选择出最适于待处理影像分类的核函数。核分类方法是目前流行的高光谱影像分类方法，本文将具有最优核函数的SVM与核Fisher判别分析(kernel fisher discriminant analysis，KFDA)[4]和核主成分分析(kernel principal component analysis，KPCA)[5]进行了比较。通过试验研究可以发现SVM分类方法具有较高的分类精度和可靠性，为实际应用提供了参考。……