支持向量机在遥感图像分类中的应用研究综述|支持向量机分类

　　(1.中国矿业大学国土环境与灾害监测国家测绘局重点实验室，江苏徐州221116；2.中国矿业大学计算机科学与技术学院，江苏徐州221116；3.江南大学物联网工程学院，江苏无锡214122)
　　摘要：该文对多类分类支持向量机、模糊支持向量机、小波变换支持向量机及主动支持向量机在遥感图像分类中应用的情况进行了阐述及总结，并给出了支持向量机在遥感图像分类中应用的发展趋势。
　　关键词：支持向量机；遥感图像分类；模糊理论；小波变换；主动学习
　　中图分类号：TP75文献标识码：A文章编号：1009-3044(2012)18-4495-03
　　遥感技术是当前人类研究地球资源环境的一种主要技术手段,遥感图像分类是遥感技术应用的一个重要组成部分。支持向量机是Vapnik等人根据统计学习理论提出的一种学习方法，近年来在模式识别、回归分析和特征提取等方面得到了很多应用，表现出较强的性能。该文结合支持向量机及其改进模型在遥感图像分类中的应用情况加以总结和阐述，以供相关应用人员参考。
　　近年来支持向量机在遥感图像分类中得到较大程度的应用，且取得了较好的效果。下面分别从多类分类支持向量机、模糊支持向量机、小波变换支持向量机和主动支持向量机四个角度，对支持向量机及其改进算法在遥感图像分类中的情况加以概述。2.1多类分类支持向量机遥感图像分类
　　支持向量机本身是针对二类分类提出的，但实际应用中大多是多类别的分类情况，因此为了推广SVM算法在多类分类中的应用，人们提出了多类分类支持向量机模型。一般是构造一系列的两类分类器然后将它们组合在一起来实现多类分类[1]，其中两类分类器组合又有一对一和一对多两种方法。
　　Liu Liu等[2]基于SMO的一对一SVM，对武汉地区TM图像进行了分类实验，与最大似然法对比结果表明，SVM算法的分类精确度更好。谭琨等[3]选取一对一投票方法解决了SVM多类分类问题，然后应用MNF变换对图像进行预处理，选取了SVM几种核函数分别做实验。实验结果表明高斯RBF核函数的支持向量机效果最好。该算法结构简单、容易训练、收敛速度快、具有很高的分类精度，但是参数选取的速率以及参数准确性有待深入研究。
　　Heng-Nian Qi等[4]研究了半监督的多类分类支持向量机算法，并将其用于遥感图像分类。为了减少支持向量机对训练样本进行人工标注浪费的时间，作者加入了模糊C均值聚类算法用来自动标注样本。此算法一方面减少了人工标注样本的工作量，另一方面也避免了纯无监督学习算法可利用信息量少而导致分类效果的不确定性，得到了很好的分类精度。于宁锋等人[5]基于有向无环图(DDAG)的多类SVM算法，利用混合粒子群优化PSO算法对SVM的参数进行优化搜索，并应用于遥感图像分类，有效提高了分类
　　精度。但是，训练样本数的选取、特征波段数及适应值对PSO算法的影响还有待进一步深入研究。王纪珩等[6]先利用C均值聚类算法对遥感图像做预处理，再用SVM进行分类。实验结果表明，该方法一方面减少了误分像元，另一方面使分类边界更加光滑，分类精度相对于单一的SVM分类算法也得到了提高。赵春晖等[7]改进了最小二乘支持向量机用于高光谱遥感图像分类。作者用光谱角度匹配(SAM)的方法作为向量角度差异性测度，用欧氏距离方法作为向量亮度差异性测度，组合得到组合核函数,该核函数既具有较好的学习能力和推广能力，又可充分利用多维光谱所提供的信息。高恒振等[8]在最小二乘支持向量机（LS-SVM）中加入了基于光谱角度量的K-means聚类算法，对未标签样本集进行多次聚类，根据样本点被分在同一类的次数来构造包袋核函数，然后将得到的包袋核函数和RBF核函数通过加法加权和乘法运算分别进行组合，构造组合核函数。然后进行对比实验，实验结果表明改进后的LS-SVM性能更好，且乘法运算组合的核函数支持向量机性能优于加法加权组合的核函数支持向量机。谭琨等[9]应用J-M距离计算任意两类之前的分离性测度，然后根据分离性测度构造二叉树支持向量机，并与常用的多个多类支持向量机的分类算法进行了对比实验，实验结果表明,这种分类器结构简单,容易训练,收敛速度快,具有较高的分类精度，但是，在进行支持向量机分类时自动参数设计的问题有待研究。
　　2.2模糊理论结合支持向量机遥感图像分类
　　模糊理论是1965年，美籍伊朗著名控制论专家L.A.Zadeh提出的。目前学术界模糊支持向量机[10]有两种理解，第一种是在训练过程中引入模糊因子作用[11]，第二种是针对多义样本或漏分样本进行后处理的[12]。
　　郭春燕等[13]分析了多类支持向量机的局限性，针对其存在的不可分现象，在一对一SVM中引入了模糊隶属度函数，并进行了对比实验。实验结果显示，一对一的模糊支持向量机比一对多的模糊支持向量机分类效果好，也比其它三种方法好。不过该方法对于该文实验中阵元的选择和子带的选择都有严格的要求。许磊等人[14]研究了第二种模糊支持向量机。作者先用一对多SVM分类器对遥感图像进行分类，然后把SVM分类器中混分和漏分的样本送到用高斯型隶属度函数构造的模糊分类器中去分类。实验结果表明，该方法分类的总体精度优于单一的模糊隶属度判决分类方法。刘柳[15]的实验结果同样表明，一对一的SVM加入模糊后处理的分类效果更好。
　　2.3小波变换结合支持向量机遥感图像分类
　　2009年，卢伟研究了基于小波变换支持向量机的遥感图像分类[16]。作者先用改进的小波方法消除遥感图像中的噪声，并对细节信息进行增强，然后选择5个波段，提取其中平均灰度值、高程和坡度，构成空间特征单元样本，最后用SVM进行分类。该方法较好区分了容易错分的样本，提高了分类精度得，但去噪的同时也去除了一些重要的特征信息，在细节增强的同时也放大了噪声。
　　2010年，Peijun Du等[17]通过解决经验风险最小化的问题构造了一个小波估计，根据简单的一维小波核函数来构造多维小波核函数，而最小和最大的扩张可以通过交叉验证模型来选择。该算法比基于RBF核函数的SVM的分类精确度更高，不足之处在于实验中的参数变大时，训练时间变的很长，而且光谱接近的类别很难区分开。
　　2011年，谭琨等[18]又提出一种基于再生核Hilbert空间的小波核函数的支持向量机，实验结果显示该方法分类精度较高。该文解决了支持向量机用于高光谱遥感影像分类存在的分类精度不高、参数选择困难等问题。
　　2.4主动支持向量机遥感图像分类
　　为了解决在实际应用中标记训练样本花费大量时间、且标记的样本有限等问题，为了更好地利用大量的未标注样本，人们将主动学习方法[19]应用到了支持向量机中[20]。
　　2009年，张林[21]引入主动支持向量机到遥感图像分类中。他提出了一种新的策略，即在选择要询问的样本时，除了考虑未标识样本到超平面的距离外，再通过计算未标识样本同训练样本的余弦相似度来度量其差异性来保持样本的多样性和去除部分杂点。该法算法有效地避免了遥感图像中杂点对分类准确性的影响，与SVM算法相比分类精度得到了提高。但是该算法速度比较慢，有待进一步改善。陈建杰等[22]引入了基于池的主动学习模型，按照启发式规则，通过反复迭代主动学习的方式得到最有利SVM分类器性能的样本作支持向量。该算法直接避免了大量的计算,与传统的分类方法相比，它减少了样本训练时需要标记样本的数目,且提高了分类精度。但是，当遥感数据集较大时，该算法训练速度仍比较慢，有待于进一步提高。樊继伟等[23]提出一种改进的主动支持向量机算法。他在选择未标识样本时，采用了与文献[21]相同的策略，但用K-means聚类算法对数据做了预处理，这样有效避免了孤立点与初选样本的影响，在分类效果上有了提高，不足之处就是难以处理样本中的交叉点情况，有待进一步研究。
　　2010年，樊继伟等[24]提出一种改进的概率选择主动支持向量机算法。该方法用新样本成为支持向量的概率作为主动选择策略，实验中则根据置信因子选择最佳的样本组来计算其概率。该算法有效提高了遥感图像分类精度，也弥补了其他算法的一些不足，但是该算法的终止条件有待于研究进一步改善。Edoardo Pasolli等[25]发表了一篇基于模型的主动学习支持向量机遥感图像分类的文章。该文作者建立了一个显著性模型，用来从学习集里面估计和选择样本。开始时先对样本做显著性分析，然后选择显著的样本添加到训练集L中，再把训练集L里面显著的样本再次重新标记后存放到新构造的样本集Lb中。该算法总体分类准确度和平均准确度都得到了提高，而且减少了训练分类器所需的计算时间。陈荣等[26]提出了一种带约束条件的自学习方法,并与Joshi等[27]提出的BvSB主动学习结合，基于SVM分类器分别对SAR图像集和三个光学图像集进行了分类实验，该方法能够很快收敛到一个较好的结果，并且有效地减少人工标注样本的负担，获得较好的分类性能。