高光谱三重加权分类方法

虽然SVM在高光谱图像分类中表现出良好的性能,但如何进一步提高其分类性能仍然是一项值得研究的内容。在高光谱图像分类过程中,SVM的泛化性能对于训练过程中的野值点和噪声干扰像元(统称为异常像元)较为敏感,而二者又常常不可避免地广泛存在于高光谱数据之中,影响了模型的准确性。SVM的建模方法过于依赖训练样本,对异常像元的存在很敏感,通常少量异常像元的引入就可能完全破坏模型的泛化性能。

SuykensJ等提出LSSVM的加权方法,使得高光谱图像中受到噪声干扰严重的像元和野值点得到有效控制,从而获得了更加良好的鲁棒特性和推广能力。这种加权方法包含一次完整的预备训练。而一次训练所需要的计算量一般较大,尤其是当训练样本较多时,该方法将变得极为耗时。由于这一原因，该方法并没有得到有效推广。

现有的高光谱图像分类加权方法一般都是针对训练样本实施的,而对于如下两种情况却少有文献考虑:①高光谱图像不同的特征(或波段,谱段)对于类别可分性的影响是不同的,即它们对分类的作用是不同的,因此在分类器设计中不应等同对待;②在实际应用中,遥感数据类别众多,而不同类别对于高光谱数

据分析的意义往往不同,或者说研究者对于它们所感兴趣的程度不同,因此也同样需要在分类器设计中加以考虑。为此,本节介绍一种基于LSSVM理论的高光