基于支持向量机的高光谱遥感图像分类的综述报告.docx

基于支持向量机的高光谱遥感图像分类的综述报告
高光谱遥感图像分类是遥感技术中的重要研究方向，它通过对遥感图像的光谱信息进行分析和提取，可以快速准确地识别和分类地表覆盖物，广泛应用于农林业生产、自然灾害监测、城市规划和环境保护等领域。支持向量机（SupportVectorMachine,SVM）是一种流行的分类算法，具有高效性、精确性和泛化性强的特点，在高光谱图像分类中得到了广泛应用。本文将对基于支持向量机的高光谱遥感图像分类的研究进行综述，并探讨其发展趋势。
首先，基于支持向量机的高光谱遥感图像分类的算法框架为：对遥感图像进行大量的光谱信息提取和处理，使得每个像素点都具备多个光谱特征值，然后使用支持向量机进行特征分类和模型训练，最后对新的遥感图像进行分类。支持向量机的核心思想是将高维空间的数据映射到低维空间进行处理，可以利用核函数将高光谱数据映射到一个高维的特征空间中，从而有效地处理非线性特征。目前，基于支持向量机的高光谱遥感图像分类算法已经有了许多优化和改进，主要表现在以下几个方面：
1.特征选择和降维
高光谱数据具备高维、高冗余的特点，导致分类效率低下和过拟合现象，因此需要进行特征选择和降维。在支持向量机分类中，特征选择和降维可以通过相关系数法、卡方检验、主成分分析和线性判别分析等方法进行。这些方法旨在挖掘出最具有代表性的特征子集，降低维度，从而更好地进行分类和预测。
2.核函数选择
支持向量机的核函数选择直接影响了分类的精度和速度。在高光谱遥感图像分类中，RBF核是常用的核函数，但它有量纲的影响，因此需要对其进行归一化处理。此外，线性核、多项式核和sigmoid核也可以应用于高光谱遥感图像分类，在不同的问题上各有优缺点。
3.分类区分度和分类阈值确定
分类区分度和分类阈值决定了分类的正确率和误判率，在基于支持向量机的高光谱遥感图像分类中，这两个参数需要根据分类任务的不同设置。分类区分度可以通过调整惩罚因子来实现，而分类阈值可以通过ROC曲线和AUC值确定。AUC值越大，分类效果越好。
4.基于集成学习的分类
集成学习是一种将多个分类器进行集成的方法，可以提高分类器的准确率和鲁棒性。在高光谱遥感图像分类中，可以采用基于支持向量机的集成学习方法进行分类。例如，可以使用基于bagging的支持向量机集成模型进行分类，把多个支持向量机模型运用在不同的样本集上，然后结合输出结果进行投票。
综上所述，基于支持向量机的高光谱遥感图像分类在算法优化和改进上已经取得了很多进展，在未来的研究中，可以通过集成学习、融合多种分类器、针对不同应用需求的优化等方面进行拓展和深入。