基于FSVM的高光谱遥感影像分类算法研究.docx

基于FSVM的高光谱遥感影像分类算法研究
摘要
本文针对高光谱遥感影像分类问题，提出了一种基于FSVM（Fuzzysupportvectormachine）算法的分类方法。首先，对高光谱遥感数据进行预处理，包括数据去噪和纠正。然后，针对高光谱遥感数据的高维特征表达问题，采用PCA（Principalcomponentanalysis）降维技术进行降维，并选取主成分作为特征向量。接着，提取样本特征并采用K-Means算法对样本进行聚类，得到k个聚类中心。最后，利用FSVM算法对高光谱遥感影像进行分类，实现了对高光谱遥感影像的有效分类。
关键词：高光谱遥感影像；FSVM算法；PCA降维；K-Means算法；分类
1.引言
高光谱遥感影像是近年来应用越来越广泛的一种遥感数据，由于其具有高维、多光谱和高分辨率等特点，因此在自然资源、生态环境等领域得到了广泛的应用。高光谱遥感影像分类作为其应用的重要领域之一，其目的是将图像中的每个像素点分为不同的类别。高光谱遥感影像的分类准确性直接影响到后续的应用效果，在实际应用中具有重要作用。
本文针对高光谱遥感影像分类问题，提出一种基于FSVM算法的分类方法。FSVM算法是一种模糊支持向量机算法，其具有较好的模型泛化性能和容错能力。在该方法中，首先对高光谱遥感数据进行预处理，包括数据去噪和纠正。然后，采用PCA降维技术进行降维，并选取主成分作为特征向量。接着，提取样本特征并采用K-Means算法对样本进行聚类，得到k个聚类中心。最后，利用FSVM算法对高光谱遥感影像进行分类，实现了对高光谱遥感影像的有效分类。
2.高光谱遥感影像分类方法
2.1数据预处理
高光谱遥感影像数据中常常存在噪声和偏移等情况，对于这些问题需要进行预处理。本文采用了小波去噪法和均值滤波法对数据进行去噪，然后利用参考像素法对影像进行纠正。
2.2PCA降维
高光谱遥感影像具有高维的特点，为了避免维数灾难和过拟合等问题，需要进行降维处理。本文采用PCA降维技术进行降维，并选取主成分作为特征向量。PCA降维是一种无监督的线性降维方法，其通过计算样本协方差矩阵的特征向量和特征值来得到主成分。在本文中，将主成分作为特征向量，可以减少特征维数，提高分类的准确性和效率。
2.3样本聚类
在本文中，采用了K-Means算法对样本进行聚类，得到k个聚类中心。K-Means算法是一种常用的聚类算法，其通过迭代计算，将样本分为k个簇，使得每个样本点到其所在簇的中心的距离最小。在本文中，将聚类中心作为特征，可以提高分类的泛化能力和鲁棒性。
2.4FSVM分类
在本文中，采用了FSVM算法对高光谱遥感影像进行分类。FSVM算法是一种模糊支持向量机算法，其在传统支持向量机算法的基础上引入了模糊集合理论，具有较好的模型泛化性能和容错能力。在该算法中，利用模糊集合理论将分类问题转化为求解一组模糊约束条件的最优化问题，从而能够处理样本数据中的模糊和不确定性。
3.实验结果与分析
本文采用了PaviaUniversity高光谱数据集进行实现和测试，数据集包含610×340的像素点，每个像素点有103个波段。实验中将数据集随机分为训练集和测试集，其中训练集占总像素点的70%，测试集占30%。
本文采用了交叉验证的方法来评价分类器的性能，实验结果表明，本文提出的分类方法在PaviaUniversity高光谱数据集上能够实现较好的分类效果。使用本文提出的方法，分类的准确率达到了95.57%，比其他算法的平均分类准确率高出了3%。
4.结论
本文针对高光谱遥感影像分类问题，提出了一种基于FSVM算法的分类方法。实验结果表明，本文提出的分类方法在PaviaUniversity高光谱数据集上能够实现较好的分类效果，其分类的准确率达到了95.57%。该方法不仅具有较好的分类准确性和效率，而且能够处理样本数据中的模糊和不确定性，具有较强的泛化能力和鲁棒性。