陳賽英，何建農

（福州大學 數(shù)學與計算機科學學院，福建 福州350108）

遙感圖像分類是模式識別技術在遙感技術領域的一個具體應用，是對遙感圖像信息進行屬性的分類，達到識別圖像信息所對應的實際地物，最后提取所需地物信息的目的.支持向量域描述（SVDD）算法具有復雜程度低、擴充性強，以及對訓練樣本數(shù)據(jù)規(guī)模上要求不高等優(yōu)點，已經廣泛應用于故障診斷、異常檢測、語音識別等多種領域［1－4］.SVDD算法的核心部分是核函數(shù)的選擇，傳統(tǒng)SVDD算法通常是以徑向基核函數(shù)為核函數(shù)，但徑向基核函數(shù)存在計算量大、泛化性能較弱等缺點［5］.基于此，本文分別將K型核函數(shù)和指數(shù)徑向基核函數(shù)與徑向基核函數(shù)組合成多核函數(shù)，構造SVDD的改進算法，并應用于遙感圖像分類.

1 SVDD模型的原理［6］

SVDD算法是基于貝葉斯最優(yōu)決策理論的，其基本思想是通過非線性變換將數(shù)據(jù)點映射到高維特征空間，然后找到包含大部分映射到特征空間數(shù)據(jù)點的最小超球體（圖1）.令｛xi｝?X是數(shù)據(jù)空間X?Rn的一個給定訓練數(shù)據(jù)集，用一個非線性變換Φ把X映射到某個高維特征空間，然后找到半徑為R的最小封閉超球體，可描述為下列最優(yōu)化問題，即

圖1 二維空間最優(yōu)超球體示意圖Fig.1 Optinal sphere schematic diagram of two－dimensional space

式（1）中：C＜1是懲罰因子，調節(jié)超球體，控制誤差；a是球心；ξj是松弛變量.為了解決這個問題，引進拉格朗日算式

令?L／?R＝0和?L／?a＝0，可分別得到和最后將式（1）的問題轉化為如下對偶問題，即

式（3）中：K（xi，xj）＝Φ（xi）·Φ（xj）是核函數(shù).只有滿足0＜βj＜C的點在超球體邊界，稱為支持向量（support vectors，SVs）.訓練高斯核支持函數(shù)是用Φ（x）到球心的平方徑向距離來定義的，有

式（4）中：｛x∶f（x）＝R2｝為支持向量.

2 核函數(shù)

2.1 K型核函數(shù)

K型核函數(shù)具有泛化能力強的優(yōu)點，避免了徑向基核函數(shù)復雜的指數(shù)運算，同時具有多項式核函數(shù)計算量少和徑向基核函數(shù)逼近精度高的優(yōu)點，性能更加優(yōu)越［7］.K型核函數(shù)的公式為

式（5）中：x＝（x1，…，xn′）；y＝（y1，…，yn）′；k＞0反映K型核函數(shù)的寬度.

2.2 指數(shù)徑向基核函數(shù)

徑向基核函數(shù)具有的優(yōu)勢，指數(shù)徑向基核函數(shù)也具有，同時還具有計算量比徑向基核函數(shù)少的特點.指數(shù)徑向基核函數(shù)［8－9］的公式為

式（6）中：σ是核函數(shù)參數(shù).

2.3 多核函數(shù)

為了權衡各種特征向量的差異，在單核函數(shù)的基礎上，綜合考慮引入多核函數(shù).多核函數(shù)1，多核函數(shù)1的公式分別為

式（7）中：α1，α2∈［0，1］是多核函數(shù)參數(shù)；是徑向基核函數(shù).

由文獻［10］可知，上述多核函數(shù)是合理的核函數(shù).徑向基核函數(shù)、K型核函數(shù)和指數(shù)徑向基核函數(shù)具有各自的優(yōu)勢，將徑向基核函數(shù)分別與K型核函數(shù)、指數(shù)徑向基核函數(shù)組合得到多核函數(shù)可以將兩者的優(yōu)勢互補.利用多核函數(shù)，可以構造出性能更加優(yōu)越的SVDD算法.

3 基于核函數(shù)改進的SVDD分類算法

算法的基本思想是，利用光譜特征組合的特征向量，采用基于多核函數(shù)1和多核函數(shù)2的SVDD改進算法對遙感圖像進行分類.分類的實現(xiàn)主要分如下3個主要階段：1）把訓練樣本輸入SVDD進行訓練；2）用訓練好的SVDD對測試樣本和待分類圖像進行分類；3）對結果進行評價分析.

算法的實現(xiàn)步驟：設標記樣本集為訓練集｛（xi，yi）｝Ni＝1?X×Y，xi∈X表示一個輸入模式，yi∈Y＝｛ω1，…，ωc｝表示對應的輸出類.用SVDD算法進行多類分類的中心思想，是利用由SVDD得到的領域描述信息來估計每個類的分布，然后通過貝葉斯決策規(guī)則對數(shù)據(jù)點分類［6］.

算法的訓練階段有如下3個具體步驟.

步驟1數(shù)據(jù)預處理及模型參數(shù)初始化.將提取各波段遙感圖像的光譜特征組合成的特征向量作為訓練集，初始化懲罰因子C＝0.1，徑向基核函數(shù)和指數(shù)徑向基核函數(shù)的參數(shù)σ＝3，K型核函數(shù)的參數(shù)k＝0.001和多核函數(shù)參數(shù)α＝0.01，分別在（0，1），［3，25］，（0，1）和［0，1］內取C，σ，k和α，步長分別為0.1，1，0.001和0.01，使用網格搜索法［11］找到最優(yōu)參數(shù)組合使得分類精度最高.

步驟2數(shù)據(jù)分區(qū).根據(jù)輸出類把給定的訓練集分成c個不相交的子集｛Dk｝ck＝1.例如，第k類數(shù)據(jù)集Dk，包含Nk個元素，即Dk＝｛（xi1，ωk），…，（xiNk，ωk）｝，其中xi是第k類遙感圖像的特征向量，ωk是對應的類別標簽.

步驟3對每類數(shù)據(jù)集做SVDD.對每類數(shù)據(jù)集Dk，通過SVDD建立一個訓練高斯核支持函數(shù).具體是解式（3）的對偶問題，記解為，l＝1，…，Nk，Jk?｛1，…，Nk｝是非零ˉβil的指標集合.每類數(shù)據(jù)集Dk的訓練高斯核支持函數(shù)由下式給出

算法的測試階段有2個具體步驟.

步驟1為每個類構造偽密度函數(shù).即為每個類k（k＝1，…，c）構造偽密度函數(shù)對任意fk（·）的支持向量xsk，rk＝R2（xsk）.

步驟2用估計偽后驗概率分布函數(shù)進行分類.即對每個類k（k＝1，…，c）估計偽后驗概率分布函數(shù)為

4 仿真實驗與結果分析

首先對美國Lanier lake湖區(qū)Landsat E TM＋遙感圖像選取波段3，4，5組合成多波段圖像作為原始的遙感圖像（圖2（a））；然后，對合成圖進行降噪等預處理，并選擇大小為200px×200px的圖像作為待分類圖像（圖2（b）），再次分別提取第3，4，5波段遙感圖像（圖2（c，d，e））的光譜特征組合成特征向量；最后用特征向量進行訓練和測試分類效果.

圖2 美國Lanier lake湖區(qū)遙感圖像Fig.2 Remote sensing image of American Lanier lake

參照土地利用圖，采用目視解譯，確定該地區(qū)地面覆蓋類型為水域（W）、草地（G）、落葉林（D）、針葉林（P）、耕地（A）、居民區(qū)（U）和裸地（B）.對以上每類各選取200個樣本，并將其中的100個樣本作為訓練樣本，剩余100個樣本作為測試分類樣本.

為了驗證算法的有效性，在環(huán)境為Matlab R2010b，機器配置為Pentium（R）Dual－Core cpu T4400 2.20GHz，內存為1.93GB的計算機上進行仿真實驗.利用實驗得到的訓練模型對分類圖像進行分類，結果如圖3所示.

分類精度（P）是遙感圖像中正確分類的百分比，而Kappa系數(shù)（K）是用來評價分類精度的多元統(tǒng)計方法［12］，在遙感圖像處理中主要用于精確性評價和圖像的一致性判斷.分類精度、Kappa系數(shù)越大，分類結果越可靠，其表達式分別為

式（10），（11）中：ai，i代表分類混淆矩陣A的對角元素；N為各樣本總數(shù)；Ti·和T·i分別表示A的第i行之和以及第i列之和.

從待分類圖像中7類地物的每一類中分別選取100個樣本點進行仿真，計算各個樣本所屬類別，并將每類樣本分類結果數(shù)據(jù)看作矩陣，計算分類總精度（Ptot）及Kappa系數(shù).然后，將3次實驗所得的分類混淆矩陣中的總體分類精度，Kappa系數(shù)和訓練時間（t）作為評價標準，結果如表1所示.

從表1可知：基于多核函數(shù)1的SVDD算法具有學習能力強、泛化能力強和計算量小的優(yōu)勢；基于多核函數(shù)2的SVDD算法具有學習能力強和計算量小的優(yōu)勢.從表1還可以看出：和基于徑向基核函數(shù)的SVDD算法相比，基于多核函數(shù)1和多核函數(shù)2的SVDD算法分類精度得到提高，訓練時間也減少了.其中，基于多核函數(shù)2的SVDD算法所用時間最短.

5 結束語

文中首次將K型核函數(shù)和指數(shù)徑向基核函數(shù)應用于SVDD算法中，并將構造的多核函數(shù)SVDD算法應用于遙感圖像分類.通過對遙感圖像的分類，驗證了基于核函數(shù)改進的SVDD算法縮短了分類過程的訓練時間，提高了分類精度，具有較強的現(xiàn)實意義.

［1］TAX D M J，DUIN R P W.Support vector data description［J］.Machine Learning，2004，54（1）：45－66.

［2］李衛(wèi)鵬，李凌均，孔維峰，等.正交小波變換支持向量數(shù)據(jù)描述在故障診斷中的應用［J］.機械科學與技術，2011，30（3）：466－470.

［3］成寶芝，趙春暉，王玉磊.結合光譜解混的高光譜圖像異常目標檢測SVDD算法［J］.應用科學學報，2012，30（1）：82－88.

［4］王震宇.基于支持向量數(shù)據(jù)描述的說話人識別研究［D］.杭州：浙江工業(yè)大學，2011：13－50.

［5］汪廷華，趙東巖，張瓊.多類核極化及其在多寬度RBF核參數(shù)選擇中的應用［J］.北京大學學報：自然科學版，2012，48（5）：727－731.

［6］LEE D，LEE J.Domain described support vector classifier for multi－classification problems［J］.Pattern Recognition，2007，40（1）：41－51（doi：10.1016／j.patcog.2006.06.008）.

［7］孫翠娟.基于K型核函數(shù)的支持向量機［J］.淮海工學院學報：自然科學版，2006，15（2）：4－7.

［8］王春燕，夏樂天，孫毓蔓.基于不同核函數(shù)的SVM用于徑流預報的比較［J］.人民黃河，2010，32（9）：35－36.

［9］LIMA C A M，COELHO A L V，CHAGAS S.Automatic EEG signal classification for epilepsy diagnosis with relevance vector machines［J］Expert Systems with Applications，2009，36（6）：10054－10059.

［10］杜培軍，譚琨，夏俊士.高光譜遙感影像分類與支持向量機應用研究［M］.北京：科學出版社，2012：117－118.

［11］王興玲，李占斌.基于網格搜索的支持向量機核函數(shù)參數(shù)的確定［J］.中國海洋大學學報，2005，35（5）：859－862.

［12］LAM K W K，LAU W L，LI Zhi－lin.The effects on image classification using image compression technique［J］.International Archives of Photogrammertry and Remote Sensing，2000，33（B7）：744－750.