基于PCA和SVM的高光谱遥感图像分类研究

最新推荐文章于 2025-06-02 11:33:18 发布

原创

最新推荐文章于 2025-06-02 11:33:18 发布 · 1.6w 阅读

156 ·

CC 4.0 BY-SA版权

文章标签：

#svm

本文研究基于PCA主成分分析和SVM支持向量机的高光谱遥感图像分类方法。PCA用于降维和去除噪声，SVM用于构建分类模型。实验表明，PCA+SVM组合能有效提高分类精度和速度。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

　　本文选自《基于PCA和SVM的高光谱遥感图像分类研究》–张亮，感觉对一些概念了解的还行但是和实际结合就有点犯晕了，做部分整理，强调理解。
　　摘　要:由于高光谱图像波段数目多,各波段间具有较强的相关性,因此通过主成分分析(PCA)方法对高光谱数据进行预处理,达到了降维的目的,同时也去除了噪声波段。用支持向量机方法对高光谱遥感图像进行分类,可实现图像的分类识别。

1 引言

　　高光谱遥感图像分类方法在处理高维数据方面存在一定不足。一方面由于高光谱遥感影像中存在的不确定性,参加波段越多,不确定性的影响也就越大;另一方面则是所谓Hughes现象,即在训练样本固定时,分类精度随特征维数的增加而下降,而样本的获取在高光谱分类中往往是一项比较困难的工作,特别是采用高维特征向量时要求每类的样本数都要比特征维数高。因此在高维信息处理中的精度与效率和高光谱遥感信息精细光谱与大数据量之间就产生了极大的矛盾,如何协调和解决这种矛盾成为分类中一个急需解决的问题。

2 基于PCA和SVM的高光谱遥感图像分类

2.1　主成分分析(PCA)：PCA(Principal Components Analysis)是一种简化数据集的技术。它是一个线性变换。这个变换把数据变换到一个新的坐标系统中,使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上,第二大方差在第二个坐标(第二主成分)上,依次类推。主成分分析经常用减少数据集的维数,同时保持数据集对方差贡献最大的特征。
主成分分析法的计算步骤
1)对资料阵X= 这里写图片描述标准化得，其中

而