第30卷，第10期 2010年10月
光谱学与光谱分析 Spectroscopy and Spectral Analysis
Vol.30,No.10,pp2724-2728
October，2010
基于ICA与SVM算法的高光谱遥感影像分类
梁亮，杨敏华，，李英芳
中南大学信息物理工程学院，潮南长沙410083
摘要提出了一种利用独立.分量分析(ICA)与支撑向量机(SVM)算法进行高光谱逐感影像分类的新方法。采用ICA算法对高光讲遥感影像（PHI传感器获取，80波段）进行了特征提取，并以提取出的影像数据（光谱维数为20构建SVM分类器。对SVM算法进行核函数删选与参数寸优后，发现采用RBF核的SVM管法(C=10°，y=0.05)分类结果最佳，分类精度与Kappa系数分别达94.5127%与0.9351，优于BP-神经网络（分类精度39.4758%，Kappa系数0.3155)、波谱角分类（分类精度80.2826，Kappa系数0.7709)、最小距离分类(分类精度85.4627%，Kappa系数0.8277)以及最大似然分类（分类精度86.0156%，Kappa系数 0.8351)4种方法。针对分类结果常出现的"椒盐”现象，利用形态学算子对SVM(RBF核)分类结果进行了类别集群处理，将分类精度与Kappa系数分别提高至94.7584%与0.9380，获得了更接近实况的分类图像。结果表明：ICA结合SVM算法准确率高，是高光谱遥感影像分类的优选方法，且类别集群是优化影像分类的有效方法之一。
关键调高光谱；分类；支撑向量机(SVM)；独立分量分析ICA)；类别集群
中围分类号：TP751.1
引言
文献标识码：A
D0l:10.3964/j.issn.10000593(2010)10-2724-05
在特征信号的提取与光谱维度的压缩方面，独立分量分析(independentcomponentanalysis，ICA）方法被证明可在取得高压缩率的同时能很好地保持数据的特征$]，因此，如果
高光谱遥感技术是20世纪80年代遥感领域最大的成就之一，它使空间对地观测时可获取连续波段的地物光谱图像以实现地表物体的准确识别，从面在环境监测、海洋遥感、生态调查、精准农业、大气研究以及月标分类等众多领域获得了广泛的应用-。但由于光谱影像包含的地物细节信息极为丰高，而传统的统计模式识别方法是基于大数定理，在其分类识别中往往因难以获得足够的训练样本而影响到各类别先验知识估计的准确性。且高光谱影像的光谱维数很高，分类时易因Huhes现象（维数灾难）而无法获得理想的结果，从而导致了利用高光谱数据进行地物分类识别存在一系列的问题，
在分类识别中，支持向量机（supportvectormachine， SVMD学习方法在解决小样本、非线性及高维模式识别中表现出许多特有的优势，可有效避免高光谐分类时的Hughes 现象，已在高维度光谱的分析中获得了成功的应用8)，面
收稿日期：2009-11-06，修订日期：2010-02-08
将ICA与SVM算法结合起来设计分类器，将可成功实现高光谱遇感影像海量信息的特征提取，并在分类过程中有效避免Hughes现象而获得较理想的结果。本文结合ICA与 SVM算法的优点设计分类模型，并针对分类后图像通常所出现的"椒盐”现象（分类区域存在斑点或未分类的空洞)，采用类别集群的方法，运用形态学算子对分类图像进行俊蚀操作，以获得通近实况的分类影像，从而为高光谱遥感影像的分类提供一种新的方法。
算法原理与实验方法独立分量分析原理
1.1
ICA是近年来发展起来的一种新的育信号分离技术[11]，育信号分离系指在源信号与信号混合模型未知的情况下，从混合信号(观测信号)中分离出源信号的过程。其基本含义是
基金项目：国家自然科学基金项日（30570279)，中南大学研究生创新项目(1343-74334000022)，中南大学拨尖博士研究生学位论文创新项目
(1960-71131100007)，中南大学优秀博士论文扶持项日(2008yb024)与中南林业科技大学林业遥感信息工程研究中心开放性研究基金项目(RS2008k03)资助
作者简介：架亮，1981年生，中南大学信息物理工程学院博士研究生
·通讯联系人
万方数据
e-mail:; yangminhua@163. com
email; liangliang198119@163. com