基于Ｋ－ｍｅａｎｓ與ＳＶＭ結合的遙感圖像全自動分類方法

摘要：遙感圖像分類方法通常采用監督的學習算法，它需要人工選取訓練樣本，比較繁瑣，而且有時很難得到；而非監督學習算法的分類精度通常很難令人滿意。針對這些缺陷，提出一種基于K－means與支持向量機(SVM)結合的遙感圖像全自動分類方法。首先使用K－means聚類算法對樣本進行初始聚類， 根據每類中樣本數及其稀疏程度選取一些點作為標記的學習樣本訓練SVM分類器，然后用SVM對原始數據重新分類。Iris數據和遙感數據的實驗結果均驗證了新方法的有效性。

關鍵詞：K－means；支持向量機；遙感圖像分類

中圖分類號：TP301文獻標志碼：A

文章編號：1001-3695(2007)11-0318-03

遙感圖像分類一般采用有監督的學習算法來實現。監督方法的分類精度通常較高，但它的結果直接依賴于所選取的訓練樣本，為此需要大量高質量的有標記樣本[1]，這在一定程度上限制了其應用。而在很多實際應用中，由于缺少形成模式類過程的知識，人們往往只能用無類別標簽的樣本進行工作，即非監督分類方法，但它得到的結果通常很難令人滿意。

1K－means聚類算法簡介

由J. B. MacQueen提出的[2]K－means聚類算法是將所有樣本分成組樣本群聚，并能找到這些群聚中心點位置的技術。

4．3遙感衛星彩色圖像分類比較

鑒于此模型對遙感數據的分類有效性，選用的遙感資料為某地Landsat，即TM5、TM4、TM3三波段合成影像，大小為220×200的圖像進行分類，并觀察實驗結果。圖2為原始圖，經過K－means分類后的圖像如圖3所示，圖4由混合模型分類產生，其效果比圖3要好得多，山地誤分為水域的部分基本被區分，農田更清晰。

5結束語

本文針對非監督和監督分類模型各自的局限，提出一種非監督的K－means與監督的SVM結合的全自動模式分類方法，并探討了SVM中參數確定問題。Iris數據和遙感數據的實驗結果驗證了本文方法的可行性，它能明顯改進無監督分類方法的效果，同時也避免了監督方法人工選取樣本的繁瑣和困難。

參考文獻：

［1］丁磊，錢云濤.不同程度的監督機制在自動文本分類中的應用[J].計算機應用與軟件， 2004，21(6):65-68.

[2]DARKEN C，MOODY J.Fast adaptive K－means clustering:some empirical results[C]//Proc of International Joint Conference on Neural Networks.San Diego:IEEE Press，1990:233-238.

[3]LI Chao－feng， WANG Zheng－you，XU Lei.Remote sensing image classification methodbased on support vector machines and fuzzy membership function[C]//Proc of the 4th International Symposium on Multispectral Image Processing and Pattern Recognition.2005:1－7.

[4]鄭小霞，錢鋒.高斯核支持向量機分類和模型參數選擇研究[J].計算機工程與應用，2006，42(1):71－79.

[5]MARCELO B A，ANTONIO P B，JOAO P B.SVM－KM:speeding SVMs learning with a priori cluster selection and K－means[EB/OL].[2006-05－13].http://csdl.computer.org/comp/proceedings/sbrn/2000/0856/00/08560162abs.htm.

“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”