[发明专利]基于AGA‑PKF‑SVM的遥感影像分类方法

摘要

本发明提供一种基于AGA‑PKF‑SVM的遥感影像分类方法，涉及遥感影像处理技术领域。该方法采用全局性多项式核函数(PKF)作为支持向量机(SVM)的核函数，结合交叉验证的方法对支持向量机遥感影像分类模型进行训练，并采用自适应遗传算法(AGA)对支持向量机的惩罚因子、多项式核函数中的各参数及交叉验证的折数进行组合优化。本发明提供的基于AGA‑PKF‑SVM的遥感影像分类方法，能有效防止在对支持向量机参数进行组合优化时陷入局部最优解，并使分类模型具有更好的泛化性能并防止过拟合。

主权项

一种基于AGA‑PKF‑SVM的遥感影像分类方法，其特征在于：该方法包括以下步骤：步骤1：支持向量机的核函数采用多项式核函数，如式(1)所示；K(xi,xj)=(γxiTxj+r)d,γ>0---(1)]]>其中，K(xi，xj)表示核函数，xi和xj分别表示二维空间中的两个点，γ表示多项式核函数中的内积系数，r表示常数项，d表示多项式的项数；将支持向量机中的惩罚因子C、多项式核函数中内积系数γ、常数项r、多项式的项数d及交叉验证的折数k五种参数组合看作种群的一个个体，对个体进行二进制编码，并对种群进行初始化；步骤2：对个体进行解码；步骤3：将分类结果的准确率设为目标函数，通过k折交叉验证，计算支持向量机模型对遥感影像的平均分类准确率，将该平均分类准确率作为个体的适应度值；步骤4：根据个体的适应度值，进行选择、交叉、变异、重插入操作，对参数组合进行优化；步骤5：判断优化过程是否满足最大迭代次数，若满足，则得到最优个体，输出最优参数组合，根据最优参数组合建立采用多项式核函数的支持向量机遥感影像分类模型，该模型中记录了优化后得到的参数、分类的个数、支持向量的个数、各支持向量及系数、分类超平面的常数项，否则返回步骤2；步骤6：根据步骤5建立的支持向量机遥感影像分类模型对遥感影像测试集数据进行分类，输出分类结果、混淆矩阵、总体精度及Kappa系数；所述混淆矩阵、总体精度及Kappa系数用于表征分类精度；在混淆矩阵中能够显示正确分类的数量及被错分的类别和个数；总体精度指被正确分类的类别像元数与总的类别个数的比值；Kappa系数是通过把所有真实分类中的像元总数乘以混淆矩阵对角线的和，再减去某一类真实像元总数与被误分成该类像元总数之积对所有类别求和的结果，再除以总像元数的平方差减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果得到的。