支持向量机遥感图像分类的研究的综述报告.docx

支持向量机遥感图像分类的研究的综述报告
支持向量机（SupportVectorMachine，SVM）是一种基于结构风险最小化的分类器，由于其在处理高维度数据、数学理论完备以及分类效果优秀等优势，广泛应用于遥感图像分类领域。本文将综述支持向量机在遥感图像分类方面的研究现状和进展。
一、支持向量机原理及分类
支持向量机通过寻找最优分离超平面来进行分类。在二分类问题中，设训练数据集为{(x1,y1),(x2,y2),……,(xn,yn)}，其中x为训练样本，y为样本类别。SVM的目标是找到一个最优的超平面w·x+b=0，能够将正负训练样本完全分开，并最大化间隔。其中，w表示超平面的法向量，b表示超平面的截距。不同于传统的分类方法，SVM只关注最难分类的样本，即样本和分类超平面最近的点，这些点被称为支持向量。
在实际分类中，SVM先将样本点映射到高维空间中，再寻找最优超平面。通过非线性映射，使数据在高维空间中可线性分割，即在原始空间不可分的问题，在高维空间中就可以分割。
二、支持向量机在遥感图像分类中的应用
1.特征提取
高纬度遥感图像分类时，其特征数量庞大、维度高，而选择合适的特征对提高分类准确率至关重要。通过结合遥感图像的空间和光谱特征，SVM能更好地描述遥感图像的属性信息。例如，Zhang等人通过像元空间变换（PixelSpaceTransformation，PST）方法，将不连续、过于相似、与分类无关变量从原始特征中剔除，提取出重要特征，以此为基础训练SVM分类器。
2.多尺度特征提取
遥感图像具有空间分辨率较高的特点，因此，在进行图像分类时，需要考虑到不同空间尺度上的图像特征。同时，由于遥感图像具有大量的地物类型，多尺度特征进一步增强了遥感图像分类的能力。Vapnik等人提出了多尺度SVM（Multi-ScaleSVM，MS-SVM）算法，将原始图像分成多个尺度，针对每个尺度提取特征并进行分类，最后将所有尺度的分类结果进行合并。
3.时序特征提取
对于时序遥感图像数据，往往需要考虑到多个时段的信息才能进行分类。Wang等人通过支持向量机回归（SupportVectorRegression，SVR）、D-S理论等方法，提取出多个时段的特征，并对时序遥感图像进行分类。
4.压缩感知
在大范围的遥感图像分类中，处理海量的数据存在较大难度，为了解决这一问题，许多学者将压缩感知技术应用于SVM分类。压缩感知利用高维数据的稀疏性，并致力于利用少量的信息来还原数据，因此大大降低了存储和计算成本。Chen等人结合压缩感知的方法对全息图像进行特征压缩，并采用SVM对压缩后的特征数据进行分类。
三、结论
SVM在遥感图像分类领域中广受欢迎，应用前景广阔。本文综述了SVM的原理及分类方法，以及其在遥感图像分类中的应用。未来的研究方向应更加细致地对不同类型的遥感图像进行分类，并进一步探索压缩感知技术与SVM的结合，以更好地提高分类效果。