tceic.com
学霸学习网 这下你爽了
赞助商链接
当前位置:首页 >> 计算机硬件及网络 >>

ENVI4.3 支持向量机分类原理、操作及实例分析


航天星图科技(北京)有限公司

ENVI4.3 支持向量机分类原理、操作及实例分析
一、 支持向量机算法介绍 1. 支持向量机算法的理论背景 支持向量机分类(Support Vector Machine 或 SVM)是一种建立在统计学习 理论(Statistical Learning Theory 或 SLT)基础上的机器学习方法。 与传统统计学相比,统计学习理论(SLT)是一种专门研究小样本情况下及 其学习规律的理论。 该理论是建立在一套较坚实的理论基础之上的,为解决有限 样本学习问题提供了一个统一的框架。它能将许多现有方法纳入其中,有望帮助 解决许多原来难以解决的问题,如神经网络结构选择问题、局部极小点问题等; 同时,在这一理论基础上发展了一种新的通用学习方法——支持向量机(SVM) , 已初步表现出很多优于已有方法的性能。一些学者认为,SLT 和 SVM 正在成为继 神经网络研究之后新的研究热点,并将推动机器学习理论和技术的重大发展。 支持向量机方法是建立在统计学习理论的 VC 维(VC Dimension)理论和结 构风险最小原理基础上的, 根据有限的样本信息在模型的复杂性(即对特定训练 样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳 折衷,以期获得最好的推广能力。 支持向量机的几个主要优点有:
(1) 它是专门针对有限样本情况的, 其目标是得到现有信息下的最优解而不仅

仅是样本数趋于无穷大时的最优值;
(2) 算法最终将转化成为一个二次型寻优问题,从理论上说,得到的将是全局

最优点,解决了在神经网络方法中无法避免的局部极值问题;
(3) 算法将实际问题通过非线性变换转换到高维的特征空间(Feature

Space), 在高维空间中构造线性判别函数来实现原空间中的非线性判别函 数, 特殊性质能保证机器有较好的推广能力,同时它巧妙地解决了维数问 题,其算法复杂度与样本维数无关; 2. 支持向量机算法简介 通过学习算法,SVM 可以自动寻找那些对分类有较大区分能力的支持向量, 由此构造出分类器, 可以将类与类之间的间隔最大化,因而有较好的推广性和较 高的分类准确率。

1 ———————————————————————————————————————————— —— www.imagetekinfo.com 010-62054260/1/2/3 北京市朝阳区德胜门外华严北里甲 1 号健翔山庄 D5-D6

航天星图科技(北京)有限公司

最优分类面(超平面)和支持向量 SVM 的主要思想是针对两类分类问题,在高维空间中寻找一个超平面作为两 类的分割, 以保证最小的分类错误率。而且 SVM 一个重要的优点是可以处理线性 不可分的情况。 用 SVM 实现分类, 首先是要从原始空间中提取特征,将原始空间中的样本映 射为高维特征空间中的一个向量,以解决空间中线性不可分的问题。

3. 支持向量机算法的应用现状和前景 目前,SVM算法在模式识别、回归估计、概率密度函数估计等方面都有应用。 例如,在模式识别方面,对于手写数字识别、语音识别、人脸图像识别、文章分 类等问题,SVM 算法在精度上已经超过传统的学习算法或与之不相上下。 由于SVM方法较好的理论基础和它在一些领域的应用中表现出来的优秀的推 广性能,近年来,许多关于SVM方法的研究,包括算法本身的改进和算法的实际 应用,都陆续提了出来。目前,SVM 方法在分类方面的应用比较多,ENVI4.3首 开先河,在其丰富的分类方法中又引入了SVM方法,成为同类遥感软件的领头羊。

二、 在 ENVI4.3 中实现支持向量机分类的操作过程及实例分析 在 ENVI4.3 中进行支持向量机(SVM)分类操作简单、便于掌握。 “打开待分 类的影像-> 选择感兴趣区-> 设置 SVM 参数-> 进行分类” ,分类只需进行这几 个简单步骤。 1) 打开影像 在 ENVI4.3 中打开影像。此测试影像为 1200*1200 的整型四波段 QuickBird 数据。

2 ———————————————————————————————————————————— —— www.imagetekinfo.com 010-62054260/1/2/3 北京市朝阳区德胜门外华严北里甲 1 号健翔山庄 D5-D6

航天星图科技(北京)有限公司

2) 在原始影像上手工选取感兴趣区

从图上选取了五类地物的感兴趣区:水体(water) 、植被(vegetation) 、 道路(road) 、建筑物(buildings) 、裸土(soil) 。
3 ———————————————————————————————————————————— —— www.imagetekinfo.com 010-62054260/1/2/3 北京市朝阳区德胜门外华严北里甲 1 号健翔山庄 D5-D6

航天星图科技(北京)有限公司

3) 运用支持向量机(SVM)方法进行分类 在 ENVI 主菜单下选择 Classification > Supervised > Support Vector Machine。

输入待分类的影像,随即弹出“Support Vector Machine Classification Parameters” 对话框, 用户可以根据自己的实际需要在此对话框中设置分类参数, 以达到最优的分类效果。

4 ———————————————————————————————————————————— —— www.imagetekinfo.com 010-62054260/1/2/3 北京市朝阳区德胜门外华严北里甲 1 号健翔山庄 D5-D6

航天星图科技(北京)有限公司 分类效果如下图所示:

上图为添加了图例的分类结果图,未经过任何分类后处理。

5 ———————————————————————————————————————————— —— www.imagetekinfo.com 010-62054260/1/2/3 北京市朝阳区德胜门外华严北里甲 1 号健翔山庄 D5-D6

航天星图科技(北京)有限公司

上图为将未经过任何分类后处理的分类结果图与原始影像部分链接显示的结果。 分类效果及评价 1) 比较其它分类方法得到的结果 分类采用同一原始影像和相同的感兴趣区(ROIS) ,比较结果如下图:

6 ———————————————————————————————————————————— —— www.imagetekinfo.com 010-62054260/1/2/3 北京市朝阳区德胜门外华严北里甲 1 号健翔山庄 D5-D6

航天星图科技(北京)有限公司

原始影像

支持向量机分类结果

最小距离法分类结果

最大似然法分类结果

下图为分类结果相同区域的 Zoom 窗口比较:

7 ———————————————————————————————————————————— —— www.imagetekinfo.com 010-62054260/1/2/3 北京市朝阳区德胜门外华严北里甲 1 号健翔山庄 D5-D6

航天星图科技(北京)有限公司

支持向量机分类结果

最小距离法分类结果

最大似然法分类结果

注:以上分类结果均未进行任何分类后处理。

2) 总结 比较常用的最小距离法、最大似然法分类结果,可以看出支持向量机(SVM) 分类具有以下优点: ? 分类后的类别完整,未经过任何后处理就可以得到比较完整的类别 ? 分类准确度高,误分、错分现象相对较少 尽管SVM算法的性能在许多实际问题的应用中得到了验证,但是该算法在计 算上存在着一些问题, 包括训练算法速度慢、算法复杂而难以实现以及检测阶段 运算量大等等。经验证,使用SVM方法进行分类耗时约为一般分类方法的4-5倍 (QuickBird2000*8000整型四波段影像耗时约2小时) 。 best wishes! -------------仰满荣 (Miss Yang) 技术支持经理 -------------航天星图科技(北京)有限公司 www.imagetekinfo.com Tel:010-62054281/1/2/3-147,13552385780 MSN:ymr0114@hotmail.com Email:mryang@imagetekinfo.com

8 ———————————————————————————————————————————— —— www.imagetekinfo.com 010-62054260/1/2/3 北京市朝阳区德胜门外华严北里甲 1 号健翔山庄 D5-D6


推荐相关:

ENVI4.3 支持向量机分类原理、操作及实例分析_图文.pdf

ENVI4.3 支持向量机分类原理操作及实例分析_计算机硬件及网络_IT/计算机_专业资料。航天星图科技(北京)有限公司 ENVI4.3 支持向量机分类原理操作及实例分析一、 ...


5.ENVI4.3 支持向量机分类原理、操作及实例分析0710yan....doc

5.ENVI4.3 支持向量机分类原理操作及实例分析0710yang_计算机硬件及网络_IT/计算机_专业资料。ENVI4.3 支持向量机分类原理操作及实例分析 一、 支持向量机算法...


20.ENVI4.3 支持向量机分类原理、操作及实例分析_图文.doc

20.ENVI4.3 支持向量机分类原理操作及实例分析_天文/地理_自然科学_专业资料。ENVI4.3 支持向量机分类原理操作及实例分析 一、 支持向量机算法介绍 1. 支持...


ENVI教学-信息提取、GIS分析与制图.pdf

ENVI软件使用中关于信息提取、GIS分析与制图操作指导...业界领先的分类方法 ? 支持向量机分类(Support ...(DNNIR+DNR) Landsat NDVI 遥感应用分析原理 与...


遥感图像分类方法综述.doc

2 遥感图像分类基本原理 遥感是一种应用探测仪器, ...支持向量机是一个有监督的学习模型,它通常应用于对...基于 ENVI 的遥感图像监督分类方法比较研究.北京测绘...


基于ENVI的遥感图像分类方法比较研究.doc

并对分类结果进行对比,从而分析这几种方法分 类精度...本文从遥感图像解译的基本原理出发,阐述了 ENVI ...支持向量机、 面向对象图特征提取等方法(本文主要应用...


envi遥感图像监督分类.doc

详细操作步骤 第一步:类别定义/特征判别 根据分类...目前 ENVI 的监督分类 可分为基于传统统计分析学的...支持向量机分类器参数设置 图 2.6 支持向量机分类...


ENVI培训第三篇_信息提取与制图专题.ppt

支持向量机分类业界领先的分类方法支持向量机分类(...(DNNIR+DNR) Landsat NDVI 遥感应用分析原理 与...ENVI4.3的半自动数字化工具可以方便用户 的半自动...


遥感监督分类_图文.doc

ENVI 软件打开文件【0112024.tif】选取合适的波段得到与上图 较为相似的 ...支持向量机是一种基于分类边界的方法。其基本原理是(以二维 数据为例) :如果...


应用ENVI软件目视解译TM影像土地利用分类_图文.pdf

本文通过 ENVI 软件 ROI 菜单工具计算分类 模板的混淆矩阵。图 4 为本次操作...支持向量机属于 一般化线性分类, 分类器的特点是他们能够同时 最小化经验误差...


监督分类和非监督分类_图文.doc

监督分类器根据其原理有基于传统统计分 析的、基于...本专题以 ENVI 的监督与非监督分类的实际操作为例,...包括支持向量机、模糊分类等,针对高光谱有波谱角(...


11.遥感图像监督分类.pdf

目前 ENVI 的监督分类可分为基于传统 统计分析学的,包括平行六面体、最小距离、马氏距离、最大似然,基于神经网络的,基于模 式识别,包括支持向量机、模糊分类等,...


envi遥感图像监督分类与非监督分类.doc

目前 ENVI 的监督分类 可分为基于传统统计分析学的...支持向量机分类器参数设置 图 2.6 支持向量机分类...非监督分类操作流程 目前非监督分类器比较常用的是 ...


监督分类方法_图文.doc

根据其原理有基于传统统计分析的、基于神经网络的、...本专题以 ENVI 的监督与非监督分类的实际操作为例,...分类方法参数设置比较简单, 这里选择支持向量机分类 ...


ArcGIS 10影像分类以及ArcGIS Engine 实现_图文.pdf

我们很容易就想到了专业的遥感软件 ENVI,或者 ERDAS...(支持向量机) ,神经网络分类,最大似 然法分类等(...1.3 ArcGIS 影像分类实例确保自己已经有了空间分析...


遥感地学分析实验报.doc

因此,像元二分模型的原理如下:VFC = (S - S...在Envi5.1中的具体操作如下: 在Toolbox中,选择...支持向量机、模糊分类等,Toolbox 选择Classification ...


envi7-监督与非监督分类1.ppt

目前ENVI的监督分类可分为基于传统统计分析学的,包括 平行六面体、最小距离、马氏距离、最大似然,基于神 经网络的,基于模式识别,包括支持向量机、模糊分类 等,针对...


基于EnMAP-box遥感图像分类.pdf

如S 网格搜索 参数优化的支持向量机的图像分类等。...Box1 ? 1 SVM 分类原理 SVM 最初是针对 2个...NVI 中获取的样本信息 ROI文件, 使用 在E ENVI的...


第五章 遥感图像分类.pdf

(7章 /10章) 教材第4章4.3; 第5章(15章) ...ENVI软件中辅助目视判读矢量操作P165 GIS分析 ...支持向量机分类(SVM 支持向量机分类( SVM) )业界...


遥感图像信息提取.pdf

支持向量机分类 模糊分类 2.3 监督分类流程说明...分类 ENVI/IDL 3.1 专家知识的决策树分类基本原理...每种方法都有其适用范围 ENVI/IDL 4.3 面向对象...

网站首页 | 网站地图
All rights reserved Powered by 学霸学习网 www.tceic.com
copyright ©right 2010-2021。
文档资料库内容来自网络,如有侵犯请联系客服。zhit325@126.com