基于相关向量机的高光谱遥感图像分类研究

《基于相关向量机的高光谱遥感图像分类研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：TP391单位代码：11407密级：公开学号：20137163北方民族大学硕士学位论文基于相关向量机的高光谱遥感图像分类研究HyperspectralRemoteSensingImageClassificationBasedonRelevantVectorMachine学位申请人：李斌指导教师：保文星教授申请学位门类级别：工学硕士专业名称：计算机应用技术研究方向：图形图像处理所在学院：计算机科学与工程学院论文完成日期：2016年4月-I-摘要高光谱遥感图像凭借其较高的光谱分辨率，超高的光谱信息量以

2、及相邻波段较高的相关性，具有较强的实用性，已成为遥感图像领域的一个研究热点，受到各国专家学者的青睐。相关向量机理论是2001年M.E.Tipping提出的一种新型的基于贝叶斯统计学习框架的有监督机器学习算法，该算法的提出弥补了传统SVM算法的不足。相关向量机通过回归估计获取预测值的概率分布，从而得到一个基于核函数的稀疏解，能够处理回归和分类问题。通过对高光谱遥感图像的分类研究我们发现，相关向量机对于高维大样本的高光谱图像分类精度并不是很高，基于此问题，本文提出了一种改进的相关向量机算法。本文通过对传统相关

3、向量机与支持向量机分类算法的研究，发现对高维大样本数据，相关向量机不论是在Kappa系数还是总体分类精度上都不及传统的支持向量机。因此，本文将研究重点放在了对原始数据的预处理阶段上。首先，我们采用主成分分析法对原始数据进行降维处理，实验结果表明，与传统相关向量机相比，经过主成分分析法处理后再使用相关向量机分类，分类精度并不能得到有效提升。其次，论文利用线性判别分析法对原始数据进行降维处理，实验结果表明，与传统相关向量机相比，其分类精度仍然不能得到有效的提升。最后，本文提出了一种改进型的相关向量机算法。该算

4、法将主成分分析法与线性判别分析法相结合，对高光谱数据进行二次降维，然后采用相关向量机进行遥感图像分类。实验结果显示，与传统相关向量机相比，本文算法在分类精度上有了明显的提升，数据的类间及类内距离比总体增大，从而达到我们降低维度提升分类精度的目的。本文通过对相关向量机算法的研究，针对该算法对高维大样本数据分类精度不高的问题提出了一种改进型算法，不仅降低了样本数据维数、保留了主要的信息量也提升了相关向量机的分类精度。最后，文章分析了本文算法在高光谱遥感图像分类上的优势与不足之处，为今后我们进一步的研究打下了坚

5、实的基础。关键词：相关向量机；高光谱遥感图象分类；降维；主成分分析法；线性判别分析法-II-AbstractHyperspectralremotesensingimagerywhichhasstrongpracticabilitybyvirtueofhighspectralresolution,hugespectralinformationandhighrelevanceofadjacentband,ispraisedbyexpertsandscholarsandbecomingpopularinthef

6、ieldofremotesensing.InordertomakeupdisadvantagesinSVM，M.E.Tippingputforwardanewkindofsupervisedmachinelearningalgorithmswhobasedonbayesianstatisticallearningframeworkin2001--Relevancevectormachine(RVM).Wecanobtainasparsesolutionthatbasedonkernelfunctionby

7、probabilitydistributionofforecastthroughregressionestimateinthismethod.Usingthesparsesolutionwecandealwithregressionandclassificationproblems.ButwefindthattheclassificationaccuracyofRVMisnothighwhenapplytohyperspectraldata，soanovelclassificationmethodbase

8、donRVMispresentedinthispaper.Comparedwiththetraditionalsupportvectormachine(SVM)classificationalgorithminthehighdimensionalandlargesampledatawefoundthattherelevancevectormachineinKappacoefficientandoverallclassifica