优化子空间SVM集成的高光谱图像分类

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.

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

所属期刊栏目：20

分类号：TP751.1(遥感技术)

资助基金：江苏省自然科学基金项目编号:BK20131056;福建省自然科学基金项目编号:2015J01175Natural Science Foundation of Jiangsu Province No.BK20131056;Natural Science Foundation of FuJian Province No.2015J01175

在线出版日期：2016-08-08（万方平台首次上网日期，不代表论文的发表时间）

页码：409-419