（陜西國防工業(yè)職業(yè)技術(shù)學(xué)院，西安市，710300） 劉 錦

1 引言

在高光譜圖像中，其地物光譜信息非常豐富，且在對比多光譜圖像以及全色光譜圖像時(shí)，高光譜圖像在地物光譜信息的識別和應(yīng)用方面具備獨(dú)特的優(yōu)勢，具有非常高的識別優(yōu)勢。高光譜圖像識別度較高，光譜分辨率較大，有效提升了地物的微小差距，實(shí)現(xiàn)了對地物的精細(xì)化分辨。當(dāng)前，高光譜圖像不論是在農(nóng)業(yè)領(lǐng)域中，還是在醫(yī)學(xué)領(lǐng)域中，均有這極高的應(yīng)用價(jià)值。在對高光譜圖像進(jìn)行分類計(jì)算的時(shí)候，需結(jié)合相應(yīng)的訓(xùn)練樣本對其進(jìn)行研究和分析，而訓(xùn)練樣本的內(nèi)容主要為兩種，第一種是監(jiān)督分類；第二種是非監(jiān)督分類。當(dāng)前主要應(yīng)用的是監(jiān)督分類模式。在監(jiān)督分類中，算法中主要表示的內(nèi)容有：K 均值聚類法。這一方法的優(yōu)點(diǎn)在于容易實(shí)現(xiàn)，缺點(diǎn)同樣明顯，其初始聚類中心對最終的高光譜圖像分類影響非常大，同時(shí)很容易出現(xiàn)局部最優(yōu)的情況。另外一種方法為ISODATA 動態(tài)聚類方法。這一方法所應(yīng)用的是最小的光譜距離方程產(chǎn)生聚類，對現(xiàn)有的分類內(nèi)容進(jìn)行分裂與融合的效果實(shí)現(xiàn)，進(jìn)而突出最后的分類效果，完成分類任務(wù)。是平行管道法，在這一方法的應(yīng)用中，從本質(zhì)上分析是不需通過訓(xùn)練樣本對其進(jìn)行支撐的。所以，在對其進(jìn)行圖像分析的時(shí)候，面對一些較大的樣本，或者是面對一些高維數(shù)的圖像分類效果較差，且識別進(jìn)度較低。

2 RVM的改進(jìn)模型構(gòu)建

在以往的概率模型構(gòu)建過程中，主要是通過隨即便連的模式對相關(guān)信息和數(shù)據(jù)進(jìn)行檢測與分析。在此，需對觀測數(shù)據(jù)D 以及非觀測變量θ進(jìn)行研究與分析。觀測數(shù)據(jù)D 中，其邊緣概率的密度為：在對這一式子進(jìn)行計(jì)算與分析的過程中，按照傳統(tǒng)的計(jì)算方法非常復(fù)雜。改進(jìn)后的方法對其進(jìn)行計(jì)算，能有效提高計(jì)算效率。通過引入近似分布Q（θ），其中對于任意選擇的非觀測變量θ，能對其邊緣概率的密度進(jìn)行精準(zhǔn)的計(jì)算，且可實(shí)現(xiàn)對積分形式的有效分解，進(jìn)而將之區(qū)分為兩個(gè)對數(shù)，然后在對其進(jìn)行相加，得出最終的和。在此，可 將分 解 為 ：在這一式子中，還可對其進(jìn)行分解在這一背景下，被引入的分布Q（θ）為P（D，θ），以及后驗(yàn)分布fKL（Q‖P）兩者之間的Kullback-Leibler 的距離差異性。在此，需將之表示為：。在這一式 子 中 ， fKL（Q ‖ P） ≥0。 在θ式子中，其中的右半部分為Q 的獨(dú)立分布體現(xiàn)方式，所以，在對其進(jìn)行最大化的過程中，L（Q）與最小化之后的fKL（Q‖P）相同。

通過以上方法的計(jì)算與分析可得出：在進(jìn)行運(yùn)算過程中，要選擇一個(gè)Q 的分布，且要確保選擇的合理性。然后L（Q）的值便可在這一傳統(tǒng)的模型構(gòu)建函數(shù)體系中對位置情況進(jìn)行相應(yīng)的計(jì)算與分析，得出相應(yīng)的結(jié)論。在對RVM進(jìn)行改進(jìn)的過程中，所引用的形式也較為簡單，進(jìn)而在對L（Q）進(jìn)行計(jì)算的時(shí)候也相對簡單，還有效確保L（Q）的靈活性不受影響。

3 改進(jìn)后RVM高光譜圖像分類效果

3.1 分類精度

在對其進(jìn)行分類精度的效果分析過程中，可結(jié)合美國航空可見光以及成像光譜儀的應(yīng)用對其進(jìn)行高光譜數(shù)據(jù)的檢測。檢測中還需對不同波段的圖像進(jìn)行劃分。例如，經(jīng)過檢測后所得結(jié)果為92AV3C，且圖像波段為200個(gè)。此時(shí)每一個(gè)波段的大小是144pixel×144pixel。隨后，可對不同的地物進(jìn)行相應(yīng)選擇。在對分類精度進(jìn)行效果分析時(shí)，可多選取地物，在此將之設(shè)計(jì)為五類。分別是：cornmin；corn-no till；soybean-min；soybean-on till 及woods 五種。其中，按種類排序，每一種類各有1434/2458/834/1294 和968 個(gè)樣本點(diǎn)。擬定實(shí)驗(yàn)的環(huán) 境 為 ：Win - xp；Matlab R2010b；cpu -Pentium3.00GHz。在對其進(jìn)行分類精度觀察過程中，發(fā)現(xiàn)高光譜圖像基于不同狀態(tài)下的波段有著不同的區(qū)分度。最終實(shí)驗(yàn)數(shù)據(jù)為：在10-40 之間、在45-55 之間、在 60-0 之間以及在 110-140 之間的波段，其區(qū)分度都非常好，對于樣本點(diǎn)的區(qū)分能實(shí)現(xiàn)準(zhǔn)確的測算。在測試與觀察后，需對其進(jìn)行相應(yīng)的實(shí)驗(yàn)精度效果評價(jià)，要針對分類精度及Kappa 的系數(shù)設(shè)計(jì)相應(yīng)的評價(jià)指標(biāo)和評價(jià)體系。研究從分辨度好的范圍內(nèi)選了4個(gè)波段，又隨機(jī)選了0.5%、2%、5%的訓(xùn)練樣本，為實(shí)現(xiàn)評價(jià)的準(zhǔn)確性，應(yīng)用了高斯核函數(shù)，將寬度設(shè)為5層驗(yàn)證方法，以此確保準(zhǔn)確性。

3.2 分類效率

在進(jìn)行驗(yàn)證分析過程中，主要采用的是美國航空可見光以及成像光譜儀。對于高光譜數(shù)據(jù)的設(shè)定依然是92AV3C。以此有效反應(yīng)RVM 算法在高光譜圖像分類的效果以及效率中的實(shí)際表現(xiàn)狀況。在這一背景下，研究工作的開展設(shè)計(jì)了相應(yīng)的評價(jià)方法和評價(jià)指標(biāo)。主要有：對向量的支持，以及對向量相關(guān)個(gè)數(shù)的支持；對檢測時(shí)間和訓(xùn)練時(shí)間進(jìn)行對比分析。應(yīng)用以上兩種方法進(jìn)行評價(jià)體系的構(gòu)建，能有效的提升分類效率的檢驗(yàn)準(zhǔn)確性，且可切實(shí)的了解到其對于分類效率的實(shí)際作用和價(jià)值。在經(jīng)過研究與實(shí)驗(yàn)操作之后，RVM面對不同類型的訓(xùn)練樣本和不同的訓(xùn)練樣本個(gè)數(shù)，其先關(guān)向量個(gè)數(shù)相比較其他算法平均高處了19%左右。可見，應(yīng)用這一算法提升高光譜圖像的分類效率，對整體復(fù)雜運(yùn)算過程的有效保障，還能實(shí)現(xiàn)對訓(xùn)練實(shí)踐的控制，及對復(fù)雜度較高運(yùn)算內(nèi)容的效率保證。以上特征是RVM 在經(jīng)過改進(jìn)之后實(shí)現(xiàn)的又一次飛躍。分析其主要原因，構(gòu)成這一分類效率主要是因?yàn)镽VM對于向量的支撐能力較強(qiáng)，支持的向量相對其他而言更多。

在對經(jīng)過改進(jìn)后的RVM 高光譜圖像分析能力進(jìn)行分析與研究的過程中，將之與傳統(tǒng)模式下的RVM高光譜圖像分析能力進(jìn)行相應(yīng)比對，論述了改進(jìn)的過程和具體方法，構(gòu)建了相應(yīng)的改進(jìn)模型，建立了改進(jìn)的相關(guān)框架。最終得出結(jié)論為，在經(jīng)過改進(jìn)之后的RVM高光譜圖像分析中，能對地物進(jìn)行更精準(zhǔn)的識別，突出細(xì)微的變化與特征，進(jìn)而實(shí)現(xiàn)了對這一技術(shù)的深度應(yīng)用。在經(jīng)過改進(jìn)之后的RVM中，將來的高光譜圖像分析技術(shù)會得到更快的發(fā)展，在農(nóng)業(yè)領(lǐng)域以及醫(yī)學(xué)領(lǐng)域和其他專業(yè)領(lǐng)域的應(yīng)用效率也會更高。