高光谱遥感影像SVM分类：混合像元训练样本研究

"高光谱遥感影像SVM分类中训练样本选择的研究" 本文主要探讨了在高光谱遥感影像的SVM（Support Vector Machine，支持向量机）分类过程中，如何选择训练样本以提高分类精度。作者指出，SVM分类的关键是找到最佳的分类超平面和类别间隔。在高光谱数据中，混合像元，即包含多种地物信息的像素，往往更接近类别边界，因此可能更有利于找到这个最优超平面。 传统的遥感分类方法通常依赖于大量纯净像元作为训练样本，以计算类别中心。然而，纯净像元的提取过程复杂，容易受到人为因素影响，并且实际提取的"纯净像元"也可能包含混合成分。相比之下，SVM并不依赖于统计精确的地物光谱特征，而是利用样本的分类信息来构建分类边界，这使得SVM在处理高维特征空间、小样本学习以及抵抗噪声方面具有优势。 研究表明，SVM分类器在某些情况下可以提供比最大似然分类器（MLC）和人工神经网络（如BPNN和RBF）更高的分类精度。针对训练样本有限这一实际问题，SVM表现出了更好的适应性。已有研究关注了多光谱遥感影像中混合像元作为训练样本的应用，但对高光谱数据的研究相对较少。 本研究的目的是填补这一空白，通过实验分析高光谱遥感影像中使用混合像元作为训练样本的可行性和效果。实验结果表明，采用类别边界上的混合像元作为训练样本能够在一定程度上达到与纯净训练样本相似的分类精度，这验证了SVM对训练样本空间分布的低依赖性。这些发现对于优化高光谱遥感影像的分类策略，尤其是在训练样本有限的情况下，具有重要的实践意义。