改进OIF与SVM融合提升高光谱遥感图像分类精度

本文主要探讨了基于改进的Optimum Index Factor (OIF) 和 Support Vector Machine (SVM) 的高光谱遥感图像分类方法。作者张磊和邵振峰，来自武汉大学测绘遥感信息工程国家重点实验室，针对高光谱遥感数据的特点，提出了一种创新的图像处理策略。 首先，改进的OIF算法在这个过程中扮演关键角色。通过引入稳定系数，作者设计了一种波段初选机制，这有助于筛选出最能反映地物特征的初始波段。接下来，他们进一步利用相关系数来评估剩余波段与这些初始波段之间的关系，选择最优组合生成新的高光谱影像。这个过程旨在减少冗余信息，突出最具区分性的特征。 然后，新生成的影像通过OIF计算，找到具有最大OIF值的波段组合，这个组合被认为是最适合用于后续分类的。OIF作为一种影像增强和特征提取的工具，其优化版本在此方法中提高了分类的准确性。 在分类阶段，作者采用SVM算法，特别是"一对一"分类策略，对最佳波段组合进行训练和预测。SVM的非线性映射能力和分类性能使其成为处理高光谱数据的理想选择。这种方法可以有效地处理高维空间中的复杂数据，并且具有良好的泛化能力。 最后，为了验证方法的有效性和优越性，研究者将他们的分类结果与传统的监督分类方法进行了对比，并在相同的核函数下，与PCA（主成分分析）和SVM结合的方法进行了精度比较分析。实验结果显示，改进的OIF与SVM结合方法在保持高光谱数据的原始信息的同时，显著提高了分类精度，证明了其在高光谱遥感图像分类领域的潜在优势。 这项研究不仅提供了一个有效的高光谱遥感图像分类方法，而且展示了如何通过优化的预处理和机器学习技术，提升遥感数据的解析能力，对于遥感图像分析、地理信息系统以及环境监测等领域具有重要的理论和实践价值。