1基于支持向量机的高光谱遥感图像分类算法研究的可行性分析报告1．引言1.1研究目的高光谱遥感作为一种新型的遥感方式，在军用和民用领域都发挥着极其重要的作用。高光谱图像分类是高光谱信息处理的重要方向，高精度的分类算法是实现各种应用的前提。高光谱图像以其高分辨率、多波段数、大数据量的特点给传统图像分类技术带来了巨大的挑战。传统的机器学习方法是基于经验风险最小化原则来设计的，其应用的前提是需要足量的学习样本数目。而基于统计学习理论的支持向量机能够克服小样本学习的束缚，因此将支持向量机的设计方法应用到高光谱图像分类中，以便取得更好的分类结果。1.2课题背景算法名称：基于支持向量机的高光谱遥感图像分类算法课题研究者：课题组算法实现者：课题组实现方式：matlab仿真1.3定义[专门术语]：高光谱遥感，图像处理，支持向量机，参数优化1.4参考资料《高光谱遥感原理、技术与应用》，童庆禧，张兵，郑兰芳，电子工业出版社。《数字图像处理》，RafaelC.Gonzalez，电子工业出版社。《模式识别》，张学工，清华大学出版社。2.可行性研究的前提2.1要求主要功能：在传统遥感影像分类的基础上，结合考虑高光谱影像的特点，进行目标区分和识别。2性能要求：在有限的样本信息中的模型复杂性和学习能力之间寻找到平衡，使得算法具有较高的的分类准确度和良好的泛化能力。输入要求：图像数据清晰完整具有一般代表性。输出要求：分类快速精确。系统实现后，大大减少了算法的学习时间，提高分类结果的精度，具有良好的泛化能力。2.2.条件，假定和限制建议算法寿命：无限制。经费来源：科研项目经费。运行环境：matlab投入运行最迟时间：2015-06-302.3决定可行性的主要因素成本/效益分析结果，效益>成本。技术可行，现有技术可完全承担开发任务。操作可行，软件能被原有工作人员快速接受。3.技术可行性分析3.1算法简要描述传统的机器学习方法是基于经验风险最小化原则来设计的，其应用的前提是需要足量的样本数目，一般数目较大，但是在实际情况下往往样本数量是有限的。这成为了传统机器学习的瓶颈，采用经验风险最小化原则变得无法满足现实要求。上世纪90年代渐渐成熟起来的统计学习理论恰恰解决了小样本学习问题。基于此理论发展起来的支持向量机成为了一种新的模式识别方法，其在有限的样本信息中的模型复杂性和学习能力之间寻找到平衡。特别是在非线性问题、小样本学习问题以及高维数据问题中，支持向量机展现出其在解决此类模式识别问题中的独到的优势。3.2支持向量机模型首先有训练样本集},...,2,1},1,1{,:),{(0liyRyGiniiixx，线性可分就是指存在),(bw满足下式31,0)(1,0)(iiiiybybxwxw线性分类问题的实质就是在众多),(bw对中寻找最合适的能够分离出两类数据的某个),(bw。为了寻找这个参数对，采用了极大间隔分类超平面的方法。分类间隔也可以解读为超平面0)(bxw上的一点x~到超平面1)(bxw的距离，可以由下式表示wwxw11)(b依据结构风险最小化原则，最优化问题可以相应地表述成如下二次规划问题libytsii,...,2,1,1))((..)21(min2xww构造了Lagrange函数liiiibybL12)1))(((21),,(xwwαw其中，0i是每个样本点相应的Lagrange乘子。对变量b,w求偏导数0),,(1liiiiyawblwxαw0),,(1liiiyablbαw上式代入之前构造的Lagrange函数，易得lililjjijijiililiijijiljjililjjijijiliiiiyyyyyybybL1111111112)(21)()(21)1))(((21),,(xxxxxxxwwαw优化问题式的Wolfe对偶问题可表述如下：liytsyyiliiililjjijijilii,...,2,1,0,0..)(21max1111xx易知，上述对偶问题也为凸二次规划问题，对其进行求解，可得唯一最优解Tl),...,,(**2*1*α。由定理3.3的KT条件知，*α与),(**bw要满足下式：4libyiii,...,2,1,0)1))((***xw一般只有少部分的样本ix对应的*i是非零的，它们是最靠近最优分类超平面的点，这些使得*i为非零的样本点ix称之为支持向量(SupportVector)。最后，分类判别函数就为))(sgn()sgn()(1****liiiibaybxfxxxw其中sgn()为符号函数，式子中的求和运算实际上只需对支持向量进行运算，此为SVM分类最一般的表述形式。4.运行可行性分析此次数据由中国科学院长春光学精密机械与物理...
