高分辨率遥感影像支持张量机分类研究

"该文是关于高分辨率遥感影像分类的研究，主要介绍了一种利用支持张量机（Support Tensor Machine, STM）的方法。该方法针对高分辨率遥感数据的多特征和小样本特点，通过三阶张量表示像素邻域的数据立方，进而提出监督分类模型和解决方案。实验结果显示，STM在使用少量训练样本的情况下，能获得更高的分类精度。" 本文详细探讨了高分辨率遥感影像分类的挑战，尤其是在高分辨率下，单一像素可能包含多种地物信息，导致光谱特征不足以准确分类。为解决这个问题，作者引入了张量的概念，这是一种能够描述多维数组的数据模型。张量可以有效地结合像素的光谱和空间信息，形成支持张量机的训练样本。 支持向量机（SVM）是支持张量机的基础，它基于结构风险最小化原则，寻找最佳分类超平面。然而，传统的SVM无法很好地处理高维和复杂的数据结构，如高分辨率遥感影像。STM的提出，就是为了解决这个问题。STM通过构建三阶张量来表示像素邻域，这样可以同时考虑空间邻近性和光谱特性，从而提高分类效果。 STM的分类过程涉及一个优化问题，旨在找到最优的分类超平面，最大化不同类别间的间隔，同时最小化分类错误。STM的解法是通过对张量数据的操作，找到最优的分类模型。实验证明，STM在处理高分辨率遥感影像时，相比传统方法，能在使用较少训练样本的情况下，达到更好的分类性能。 此外，文中还指出STM方法在遥感影像处理领域具有广阔的应用前景，特别是在大数据量、高复杂性的遥感信息处理中，可以有效提升分类效率和准确性。STM不仅适用于多光谱影像，还能广泛应用于其他类型的数据，如高光谱影像和多模态遥感数据。 总结来说，"高分辨率遥感影像的支持张量机分类方法"提供了一种创新的遥感影像分类策略，通过张量表示和STM模型，解决了高分辨率数据的小样本分类问题，提高了分类精度。这种方法对于推动遥感技术在环境监测、城市规划、灾害评估等领域的应用具有重要意义。