优化子空间SVM集成的高光谱图像分类

• 作者: 冯学智 朱榴骏 杨凯歌 肖鹏峰
• 来源期刊: 遥感学报
• 学科: 工学
• 关键词: 高光谱图像分类 随机子空间 优化子空间 支持向量机
• 年，卷（期）: 2016,（3）
• 所属期刊栏目: 技术方法
• 页码范围: 409-419
• 分类号: TP751.1
• 语种: 中文
• DOI: 10.11834/jrs.20165200

摘要

随机子空间集成是很有前景的高光谱图像分类技术,子空间的多样性和单个子空间的性能与集成后的分类精度密切相关.传统方法在增强单个子空间性能的同时,往往会获得大量最优但相似的子空间,因而减小它们之间的多样性,限制集成系统的分类精度.为此,提出优化子空间SVM集成的高光谱图像分类方法.该方法采用支持向量机(SVM)作为基分类器,并通过SVM之间的模式差别对随机子空间进行k-means聚类,最后选择每类中J-M距离最大的子空间进行集成,从而实现高光谱图像分类.实验结果显示,优化子空间SVM集成的高光谱图像分类方法能够有效解决小样本情况下的Hughes效应问题;总体精度达到75％-80％,Kappa系数达到0.61-0.74;比随机子空间集成方法和随机森林方法分类精度更高、更稳定,适合高光谱图像分类.