基于改進SVM算法的高分辨率遙感影像分類

鄧曾， 李丹， 柯櫻海， 吳燕晨， 李小娟， 宮輝力

(首都師范大學(xué)城市環(huán)境過程與數(shù)字模擬國家重點實驗室培育基地，北京　100048)

?

基于改進SVM算法的高分辨率遙感影像分類

鄧曾， 李丹， 柯櫻海， 吳燕晨， 李小娟， 宮輝力

(首都師范大學(xué)城市環(huán)境過程與數(shù)字模擬國家重點實驗室培育基地，北京100048)

摘要：針對面向?qū)ο蟾叻直媛蔬b感影像分類樣本維數(shù)多、數(shù)據(jù)量大的特點，提出了一種簡單的支持向量機(support vector machine，SVM)改進算法。首先對原始樣本數(shù)據(jù)進行主成分分析(principal component analysis，PCA)實現(xiàn)降維，對降維后的樣本數(shù)據(jù)進行SVM分類器訓(xùn)練，利用網(wǎng)格搜索法得出降維數(shù)據(jù)的最佳參數(shù)； 以此參數(shù)作為基準(zhǔn)，對基于原始樣本數(shù)據(jù)的SVM分類器參數(shù)搜索范圍進行重新設(shè)定，從而快速獲取原始樣本數(shù)據(jù)的最佳SVM分類器參數(shù)，并實現(xiàn)分類。利用2景WorldView2高分辨率影像分別對城市土地利用以及林木樹種進行分類實驗，比較分析傳統(tǒng)SVM算法、僅基于PCA降維樣本數(shù)據(jù)的SVM算法以及改進的SVM算法在分類精度與效率方面的差異。實驗結(jié)果表明，改進的SVM算法能夠快速有效地尋找最佳SVM分類器參數(shù)，并獲得較高的分類精度。

關(guān)鍵詞：高分辨率遙感影像； 支持向量機(SVM)； 主成分分析； 網(wǎng)格搜索法； 分類性能

0引言

隨著遙感技術(shù)的不斷發(fā)展，近年來涌現(xiàn)出一系列諸如IKONOS,QuickBird,GeoEye,RapidEye,WorldView1,WorldView2,WorldView3以及我國高分1號和高分2號等高空間分辨率衛(wèi)星傳感器(地面分辨率小于5 m)。由于高分辨率遙感影像能在較小的空間尺度上獲取細節(jié)豐富的地物信息，目前已成為遙感領(lǐng)域的重要數(shù)據(jù)源，在城市環(huán)境、交通、林業(yè)和軍事等領(lǐng)域發(fā)揮出重大作用。為了解決傳統(tǒng)基于像元方法在高分辨率影像分類時產(chǎn)生的“椒鹽”問題，近年來面向?qū)ο蟮姆诸惙椒ㄒ殉蔀楦叻直媛蔬b感影像分類的主要手段。該方法將影像分割為若干個由相鄰像元組成的圖斑，即影像對象，以對象作為基本單元進行分類。其優(yōu)勢在于對象的光譜、紋理和空間統(tǒng)計特性等多種遙感信息均可以作為分類屬性。然而，這也造成了分類屬性過多、統(tǒng)計特性不符合正態(tài)分布的困擾，因此不滿足傳統(tǒng)分類方法的基本假設(shè)條件，分類精度往往較低。針對這一問題，國內(nèi)外專家將一系列機器學(xué)習(xí)算法，如人工神經(jīng)網(wǎng)絡(luò)、支持向量機(support vector machine，SVM)、決策樹、隨機森林等方法應(yīng)用于高分辨率影像的分類中。其中，SVM以統(tǒng)計學(xué)習(xí)理論為基礎(chǔ)，是一種基于結(jié)構(gòu)風(fēng)險最小化準(zhǔn)則的機器學(xué)習(xí)算法。不要求樣本屬性的分布假設(shè)，相比其他機器學(xué)習(xí)算法，具有精度高、泛化能力強等特點，適合于具有高維樣本特征的面向?qū)ο蟮倪b感影像分類[1-3]。

然而，傳統(tǒng)的SVM分類算法對大規(guī)模樣本集的訓(xùn)練會導(dǎo)致系統(tǒng)資源占用率過高、訓(xùn)練時間迅速增長、分類速度下降等不足[4]。張磊等[5]提出了一種改進的最佳指數(shù)法(optimum index factor,OIF)和SVM相結(jié)合的高分辨率影像分類方法，通過OIF值對波段進行重新組合，降低數(shù)據(jù)量； 韋春桃等[6]利用遺傳算法尋找SVM最佳參數(shù)，對高分辨率影像進行分類，避免多學(xué)習(xí)和欠學(xué)習(xí)狀態(tài)的發(fā)生； 陳杰等[7]將粗糙集理論與SVM相結(jié)合，由粗糙集生成信息顆粒，去掉冗余信息，然后在顆粒的層次上進行SVM分類。

目前對SVM分類算法的改進主要體現(xiàn)在通過神經(jīng)網(wǎng)絡(luò)算法、遺傳算法等尋找SVM分類器的最佳參數(shù)，目的是在減少分類時間、提高分類效率的同時保證分類精度。為此，本文從面向?qū)ο蟮母叻直媛蔬b感影像分類特點出發(fā)，提出一種簡單的SVM改進算法，并結(jié)合主成分分析(principle component analysis，PCA)和網(wǎng)格搜索法，進行SVM分類器最佳參數(shù)的快速尋找與獲取，提高高分辨率影像的分類效率與精度。

1SVM基本原理

SVM理論最初來源于對數(shù)據(jù)二值分類問題的處理[8]。其基本原理為尋找一個滿足分類要求的最優(yōu)分割超平面[8-9]，使其作為決策曲面實現(xiàn)線性劃分空間中的點。它具有結(jié)構(gòu)簡單、適應(yīng)性強、全局最優(yōu)等特點，能較好地解決高維特征、非線性、過學(xué)習(xí)與不確定性等問題，廣泛應(yīng)用于遙感影像分類中。

SVM的分類精度主要取決于核函數(shù)與參數(shù)的選取[10-11]。通常，SVM參數(shù)選擇的常用方法包括窮舉法、智能優(yōu)化法和網(wǎng)格搜索法。其中網(wǎng)格搜索法簡單易操作，且收斂速度較快，因此被廣泛應(yīng)用于SVM參數(shù)優(yōu)化中。該方法是將誤差懲罰因子c和核參數(shù)(如徑向基函數(shù)RBF中的γ)分別取M和N個值，用M×N個(c,γ)組合分別訓(xùn)練，并估計其學(xué)習(xí)精度，進而得到精度最高的一組作為最優(yōu)參數(shù)。雖然網(wǎng)格搜索法可以并行多個SVM的訓(xùn)練，但其循環(huán)次數(shù)多，計算量大[14]； 且在不同的分類應(yīng)用中，存在不同的最佳參數(shù)，參數(shù)搜索的區(qū)間也不同。對于面向?qū)ο蟮母叻直媛蔬b感影像分類，由于數(shù)據(jù)量大、維數(shù)多，分類參數(shù)搜索時間過長，分類器效率會降低，不利于實際應(yīng)用。

2SVM改進算法

針對傳統(tǒng)SVM分類器分類效率低、計算時間長等不足，本文以RBF作為核函數(shù)，探討快速尋找SVM分類器最佳參數(shù)c與γ的方法，方法流程如圖1所示。

圖1　改進的SVM算法分類流程

2.1基于PCA降維數(shù)據(jù)的SVM最佳參數(shù)獲取

針對面向?qū)ο蟮母叻直媛蔬b感影像分類樣本數(shù)據(jù)量大、維數(shù)多導(dǎo)致網(wǎng)格搜索法尋找最佳參數(shù)的時間成倍增長的不足，本文首先利用PCA實現(xiàn)數(shù)據(jù)降維[15-17]，消除樣本屬性之間的相關(guān)性[18]，并基于降維數(shù)據(jù)設(shè)定參數(shù)搜索范圍的初始值； 隨后以PCA產(chǎn)生的前P個主分量(保證前P個主分量信息占總信息的99%以上，P一般小于15)作為新的樣本屬性，基于SVM算法對新樣本進行訓(xùn)練，通過網(wǎng)格搜索法得出PCA降維數(shù)據(jù)的最佳參數(shù)。網(wǎng)格搜索法的搜索范圍設(shè)為

(1)

式中：c和γ分別為懲罰因子與RBF核參數(shù)；x，y為網(wǎng)格搜索中的坐標(biāo)對，其搜索范圍默認(rèn)在-14～14之間，步長為1，共29個值，即最佳參數(shù)c和γ需要從841個(29×29)組合中選取。

原始樣本數(shù)據(jù)的分類屬性一般多于100個，由于PCA處理后樣本數(shù)據(jù)維數(shù)大幅度減少，與基于原始數(shù)據(jù)的最佳參數(shù)搜索相比，參數(shù)的搜索時間會縮短。然而，經(jīng)過PCA處理的數(shù)據(jù)丟失了某些信息，因此該過程生成的SVM分類器最佳參數(shù)并不等同于基于原始數(shù)據(jù)的最佳參數(shù)，但可由此推導(dǎo)出后者的大致范圍，縮小最佳參數(shù)的搜索時間。

2.2基于原始數(shù)據(jù)的SVM最佳參數(shù)獲取及分類

以基于PCA降維數(shù)據(jù)的SVM分類器最佳參數(shù)為依據(jù)，劃定原始數(shù)據(jù)分類器參數(shù)的搜索范圍，從而對網(wǎng)格搜索法的參數(shù)進行優(yōu)化，獲取基于原始數(shù)據(jù)的最佳參數(shù)組合。

假設(shè)上述基于PCA降維數(shù)據(jù)的SVM分類器最佳懲罰因子和核參數(shù)分別為cPCA和γPCA，首先將其轉(zhuǎn)換為網(wǎng)格搜索法對應(yīng)的坐標(biāo)對，即

(2)

本方法假設(shè)基于原始樣本數(shù)據(jù)的SVM分類器最佳參數(shù)位于基于降維數(shù)據(jù)的分類器最佳參數(shù)附近?；诖思僭O(shè)，以cPCA，γPCA作為初始值，重新設(shè)定原始數(shù)據(jù)分類器參數(shù)搜索范圍，即

(3)

式中：x1，y1為基于原始數(shù)據(jù)SVM參數(shù)搜索中的坐標(biāo)對，步長為1，分別為5個值； 由此，最佳參數(shù)僅需從25個參數(shù)組合中獲取?；谛碌木W(wǎng)格搜索范圍，針對原始樣本數(shù)據(jù)采用網(wǎng)格搜索法獲取SVM最佳參數(shù)組合c’，γ’。最后采用最佳參數(shù)SVM分類器對原始數(shù)據(jù)進行分類，并驗證其精度。

3實驗及結(jié)果分析

本文選取2幅WorldView2高分辨率衛(wèi)星遙感影像數(shù)據(jù)，利用3種面向?qū)ο蟮腟VM分類方法分別對城市土地利用以及林木樹種進行分類實驗。WorldView2技術(shù)參數(shù)如表1所示。

表1　WorldView2參數(shù)

采用ENVI軟件中Gram-Schmidt spectral sharpening方法進行融合，結(jié)果如圖2和圖3。

(a) 實驗1(b) 實驗2

圖2WorldView2影像

Fig.2WorldView2 imageries

本文將傳統(tǒng)SVM算法、僅基于PCA降維數(shù)據(jù)的SVM算法與改進的SVM算法分別應(yīng)用于2個分類實驗中，對3種算法的分類精度及效率進行比較分析。

3.1實驗1： 城市土地利用分類

利用Definiens 8.2軟件中的分形網(wǎng)絡(luò)演化算法將WorldView2影像進行分割(分割尺度為70，形狀參數(shù)為0.2，顏色參數(shù)為0.5)，得到13 342個分類對象，如圖3所示。根據(jù)目視解譯建立植被、道路、水體、建筑物以及陰影共5個類別的分類樣本，樣本數(shù)共4 482個。對于每一樣本，提取各波段均值、標(biāo)準(zhǔn)差、對比度、NDVI、亮度、NDWI和灰度共生矩陣等信息共142個特征屬性。經(jīng)PCA處理后，特征屬性減少至13個主成分分量，其包含原始樣本中99.5%的信息。根據(jù)層次抽樣法，將數(shù)據(jù)平均分為5份，隨后利用5-fold交叉驗證法進行分類器訓(xùn)練及驗證。表2列舉了分類實驗中傳統(tǒng)SVM算法、僅基于PCA降維數(shù)據(jù)的SVM算法以及改進的SVM算法的分類結(jié)果精度、采用參數(shù)以及歷時。較傳統(tǒng)SVM算法，基于PCA降維數(shù)據(jù)的SVM算法的平均分類時間減少1 381.92 s； 但是PCA無法保留原始樣本的所有屬性信息，因此該方法的分類精度平均降低7.91%。相比僅基于PCA降維數(shù)據(jù)的SVM算法，改進的SVM算法分類時間稍有延長，但平均分類精度卻提高11.23%； 相比傳統(tǒng)SVM算法，改進的SVM算法的平均分類時間減少了1 308.22 s，平均分類精度提高了3.32%； 同時其懲罰因子也大于或等于傳統(tǒng)SVM算法，證明改進后的SVM算法分類允許的誤差更小。為了進一步分析3種算法的分類效果，分別選用圖2(a)中藍色和綠色方框中的局部區(qū)域進行對比，如圖4所示。

圖3　實驗1研究區(qū)影像對象

分類方法分類次數(shù)參數(shù)cγ精度/%時間/s傳統(tǒng)SVM12345646412832640.060.120.060.120.1288.8488.7989.0686.6888.011672.961680.651685.681698.891687.21平均值70.40.1088.281685.08基于PCA的SVM1234564326432640.120.120.090.060.1281.6880.5679.7278.8580.97298.13301.25309.29307.52299.59平均值51.20.1080.37303.16改進的SVM1234512864128641280.120.060.030.060.0691.6591.8792.1990.8991.38382.65360.97384.56375.24380.86平均值102.40.0791.60376.86

(a) 藍框范圍傳統(tǒng)SVM算法(b) 藍框范圍基于PCA的SVM算法(c) 藍框范圍改進的SVM算法

(d) 綠框范圍傳統(tǒng)SVM算法(e) 綠框范圍基于PCA的SVM算法(f) 綠框范圍改進的SVM算法

圖4實驗1分類結(jié)果

Fig.4Classification results in study site 1

從圖4中可以看出，傳統(tǒng)SVM算法分類容易將水體和陰影混淆，建筑物和道路混淆； 僅基于PCA算法的分類，由于丟失了某些屬性信息，導(dǎo)致大量的建筑物與道路混淆，分類結(jié)果比較混亂； 改進的SVM算法明顯改善了混淆的情況，僅存在少許道路與建筑物混淆，基本上不存在水體與陰影的混淆。綜上所述，較傳統(tǒng)SVM算法與僅基于PCA降維數(shù)據(jù)的SVM算法，改進的SVM算法分類更加準(zhǔn)確。

3.2實驗2： 城市林木樹種分類

同實驗1，利用分形網(wǎng)絡(luò)演化算法進行影像分割，分割結(jié)果如圖5所示。

圖5　實驗2 研究區(qū)影像對象

影像分割尺度為50，形狀參數(shù)為0.2，顏色參數(shù)為0.5，影像分割矢量圖最終包含2 171個分類對象。通過研究區(qū)實地考察，結(jié)合遙感影像目視解譯，建立泡桐、毛白楊、國槐以及銀杏共4個類別的分類樣本，樣本數(shù)共525個。

對于每一對象，提取各波段均值、標(biāo)準(zhǔn)差、NDVI、亮度和灰度共生矩陣等信息共108個特征屬性。經(jīng)PCA處理后，原始特征屬性降維至7個主成分分量，包含原始樣本中99.3%的信息。同實驗1，利用5-fold交叉驗證法進行分類器訓(xùn)練及驗證，結(jié)果如表3所示。與實驗1類似，較傳統(tǒng)SVM算法，僅基于PCA降維數(shù)據(jù)的SVM算法大幅度縮短了分類時間，平均縮短了26.93 s，但其分類精度平均降低5.4%； 改進的SVM算法平均分類時間減少20.91 s，平均分類精度增加1.15%。同樣，其懲罰因子也都大于傳統(tǒng)SVM算法，即分類允許的誤差更小。通過對比可知，改進的SVM算法分類性能更好。針對圖2(b)中的藍色和綠色方框區(qū)域，分別利用3種分類算法進行對比研究，結(jié)果如圖6所示。

表3　3種分類方法分類結(jié)果的對比(實驗2)

(a) 藍框范圍傳統(tǒng)SVM算法(b) 藍框范圍基于PCA的SVM算法 (c) 藍框范圍改進的SVM算法

(d) 綠框范圍傳統(tǒng)SVM算法(e) 綠框范圍基于PCA的SVM算法(f) 綠框范圍改進的SVM算法

圖6實驗2分類結(jié)果

Fig.6Classification results in study site 2

由圖6可知，分類結(jié)果中部分地方的植被分類不準(zhǔn)確，傳統(tǒng)SVM算法易將毛白楊誤分為泡桐與國槐； 基于PCA的SVM算法將大量的泡桐、毛白楊與國槐混淆； 改進的SVM算法僅有少許的毛白楊與泡桐混淆，其他樹種分類比較清晰?？傮w而言，改進的SVM算法具有更高的分類精度。

3.3實驗結(jié)果分析

通過上述2個實驗，改進的SVM算法分類效率和精度相比傳統(tǒng)SVM算法都有所改進。實驗1的13 342個對象，改進后分類總時間平均減少了80%，精度平均提高了3%。實驗2的2 171個對象，改進后分類總時間減少了50%，精度平均提高了1%。在2個實驗中，通過PCA降維，原始樣本的屬性數(shù)量分別由142和108個減少到13和7個，屬性維數(shù)的減少間接縮短了最佳參數(shù)搜索的時間。以PCA降維數(shù)據(jù)的SVM分類器最佳參數(shù)為初始值，縮小了基于原始樣本數(shù)據(jù)的SVM最佳參數(shù)的網(wǎng)格搜索范圍，同時也縮短了搜索時間，提高了最終分類效率。從分類結(jié)果可以看出，本文方法采用的基本假設(shè)合理，即基于原始數(shù)據(jù)的SVM分類器最佳參數(shù)c’，γ’與基于PCA降維數(shù)據(jù)的最佳參數(shù)cPCA，γPCA接近。對比核函數(shù)懲罰因子c可知，改進的SVM算法的懲罰因子都大于或等于原來的懲罰因子，即改進的SVM分類器允許誤差更小。

4結(jié)論

針對傳統(tǒng)SVM算法在分類效率與精度上的不足，提出基于PCA和優(yōu)化網(wǎng)格搜索參數(shù)的改進SVM算法。對2幅高分辨率遙感影像進行分類實驗可知，改進的SVM算法從整體上提高了SVM算法分類性能，主要體現(xiàn)在2方面：

1)通過PCA降低訓(xùn)練樣本維數(shù)，縮小了最佳參數(shù)的網(wǎng)格搜索范圍，從而減少了尋找最佳參數(shù)的時間。

2)通過優(yōu)化網(wǎng)格搜索參數(shù)，對原始數(shù)據(jù)進行分類，避免基于PCA的降維數(shù)據(jù)分類時信息丟失，從而提高了分類精度。

上述2個方面的改進相輔相成，在減少分類時間的同時，提高了分類精度。實驗結(jié)果表明，改進的SVM算法具有較高可行性，在高分辨率遙感影像分類中具有良好的應(yīng)用前景。

參考文獻(References)：

[1]張伐伐,李衛(wèi)忠,盧柳葉,等.SPOT5遙感影像土地利用信息提取方法研究[J].西北農(nóng)林科技大學(xué)學(xué)報:自然科學(xué)版,2011,39(6):143-147.

Zhang F F,Li W Z,Lu L Y,et al.Study on extraction methods of land utilization information based on SPOT5[J].Journal of Northwest A and F University:Natural Science Edition,2011,39(6):143-147.

[2]盛佳,洪中華,張云,等.基于TerraSAR-X影像的格陵蘭島海岸水邊線提取[J].極地研究,2014,26(4):418-424.

Sheng J,Hong Z H,Zhang Y,et al.Extraction of the greenland coastline based on TerraSAR-X imagery[J].Chinese Journal of Polar Research,2014,26(4):418-424.

[3]張錦水,何春陽,潘耀忠,等.基于SVM的多源信息復(fù)合的高空間分辨率遙感數(shù)據(jù)分類研究[J].遙感學(xué)報,2006,10(1):49-57.

Zhang J S,He C Y,Pan Y Z,et al.The high spatial resolution RS image classification based on SVM method with the multi-source data[J].Journal of Remote Sensing,2006,10(1):49-57.

[4]俞曉冬,周欒愛.基于改進SVM模型的電能質(zhì)量擾動分類[J].電力系統(tǒng)保護與控制,2010,38(3):15-19.

Yu X D,Zhou L A.Classification method of power quality disturbances based on improved SVM model[J].Power System Protection and Control,2010,38(3):15-19.

[5]張磊,邵振峰.改進的OIF和SVM結(jié)合的高光譜遙感影像分類[J].測繪科學(xué),2014,39(11):114-117,66.

Zhang L,Shao Z F.Hyperspectral remote sensing image classification based on improved OIF and SVM algorithm[J].Science of Surveying and Mapping,2014,39(11):114-117,66.

[6]韋春桃,王寧,張利恒,等.基于紋理特征的高分辨率遙感影像分類方法[J].桂林理工大學(xué)學(xué)報,2013,33(1):80-85.

Wei C T,Wang N,Zhang L H,et al.Remote sensing image classification based on texture features[J].Journal of Guilin University of Technology,2013,33(1):80-85.

[7]陳杰,鄧敏,肖鵬峰,等.結(jié)合支持向量機與粒度計算的高分辨率遙感影像面向?qū)ο蠓诸怺J].測繪學(xué)報,2011,40(2):135-141,147.

Chen J,Deng M,Xiao P F,et al.Object-oriented classification of high resolution imagery combining support vector machine with granular computing[J].Acta Geodaetica et Cartographica Sinica,2011,40(2):135-141,147.

[8]蕭嶸,王繼成,孫正興,等.一種SVM增量學(xué)習(xí)算法α-ISVM[J].軟件學(xué)報,2001,12(12):1818-1824.

Xiao R,Wang J C,Sun Z X,et al.An incremental SVM learning algorithm α-ISVM[J].Journal of Software,2001,12(12):1818-1824.

[9]付元元,任東.支持向量機中核函數(shù)及其參數(shù)選擇研究[J].科技創(chuàng)新導(dǎo)報,2010(9):6-7.

Fu Y Y,Ren D.Kernel function and parameter selection of support vector machine[J].Science and Technology Innovation Herald,2010(9):6-7.

[10]Hsu C W,Chang C C,Lin C J.A Practical Guide to Support Vector Classification[R].Taipei,Taiwan:Department of Computer Science and Information Engineering,University of National Taiwan,2003.

[11]奉國和.SVM分類核函數(shù)及參數(shù)選擇比較[J].計算機工程與應(yīng)用,2011,47(3):123-124,128.

Feng G H.Parameter optimizing for support vector machines classification[J].Computer Engineering and Applications,2011,47(3):123-124,128.

[12]吳渝,向浩宇,劉群.一種基于網(wǎng)格的最近鄰SVM新算法[J].重慶郵電大學(xué)學(xué)報:自然科學(xué)版,2008,20(6):706-709.

Wu Y,Xiang H Y,Liu Q.A new NN-SVM algorithm based on gird[J].Journal of Chongqing University of Posts and Telecommunications:Natural Science Edition,2008,20(6):706-709.

[13]李京華,張聰穎,倪寧.基于參數(shù)優(yōu)化的支持向量機戰(zhàn)場多目標(biāo)聲識別[J].探測與控制學(xué)報,2010,32(1):1-5.

Li J H,Zhang C Y,Ni N.Multi-target acoustic identification in battlefield based on SVM of parameter optimization[J].Journal of Detection and Control,2010,32(1):1-5.

[14]LaValle S M,Branicky M S,Lindemann S R.On the relationship between classical grid search and probabilistic roadmaps[J].The International Journal of Robotics Research,2004,23(7/8):673-692.

[15]Liang Y C,Lee H P,Lim S P,et al.Proper orthogonal decomposition and its applications-Part I:Theory[J].Journal of Sound and Vibration,2002,252(3):527-544.

[16]Zhao G,Maclean A L.A comparison of canonical discriminant analysis and principal component analysis for spectral transformation[J].PE and RS,Photogrammetric Engineering and Remote Sensing,2000,66(7):841-847.

[17]Metternicht G I,Zinck J A.Remote sensing of soil salinity:Potentials and constraints[J].Remote Sensing of Environment,2003,85(1):1-20.

(責(zé)任編輯： 陳理)

An improved SVM algorithm for high spatial resolution remote sensing image classification

DENG Zeng, LI Dan, KE Yinghai, WU Yanchen, LI Xiaojuan, GONG Huili

(Base of the State Key Laboratory of Urban Environmental Process and Digital Modelling,CapitalNormalUniversity，Beijing100048,China)

Abstract:Support vector machine (SVM) algorithm has been widely used for remote sensing image classification. For high spatial resolution image classification, traditional SVM algorithm usually leads to low efficiency due to large quantities of high dimensional sample data. This paper presents a simple improved SVM algorithm with the purpose of improving both efficiency and accuracy of classification models. The algorithm first uses PCA to reduce the dimension of sample features. The grid-based method is used to search for optimal parameters for SVM classification of PCA-based samples. Then new range around the PCA-optimal parameters is set up and used for optimal parameter search based on the original sample data. Finally, SVM with the optimal parameters is used to train the original sample data and classify the image. The new algorithm was evaluated by two classification experiments based on WorldView2 images including urban land cover land use classification and urban tree classification. Compared with the traditional SVM and SVM merely based on PCA data, the results show that the improved SVM algorithm could quickly and efficiently find the optimum parameters of the SVM classifier and achieves higher classification accuracy.

Keywords:remote sensing images of high spatial resolution； support vector machine(SVM); principal component analysis; grid search method; classification performance

doi:10.6046/gtzyyg.2016.03.03

收稿日期：2015-03-30；

修訂日期：2015-07-21

基金項目：教育部博士點基金項目“城市復(fù)雜環(huán)境對高分辨率遙感提取多尺度植被信息的影像研究——以北京市為例”(編號： 20131108120006)和國家自然科學(xué)基金項目“基于時序InSAR技術(shù)與灰色-馬爾可夫模型的北京平原區(qū)地面沉降時空預(yù)測研究”(編號： 41401493)共同資助。

中圖法分類號：TP 79

文獻標(biāo)志碼：A

文章編號：1001-070X(2016)03-0012-07

第一作者簡介：鄧曾(1990- )，男，碩士研究生，研究方向為遙感技術(shù)與應(yīng)用。Email: 995594273@qq.com。

引用格式： 鄧曾,李丹,柯櫻海,等.基于改進SVM算法的高分辨率遙感影像分類[J].國土資源遙感,2016,28(3):12-18.(Deng Z,Li D,Ke Y H,et al.An improved SVM algorithm for high spatial resolution remote sensing image classification[J].Remote Sensing for Land and Resources,2016,28(3):12-18.)