Hyperspectral Image Classification With Kernel-Based Least-Squares Support Vector Machines in Sum Space
Hyperspectral Image Classification With Kernel-Based Least-Squares Support Vector Machines in Sum Space
复制标题
和空间中基于核的最小二乘支持向量机的高光谱图像分类
DOI：
10.1109/jstars.2017.2768541
复制
发表时间：
2018-04
影响因子：
5.5
通讯作者：
Wang Cheng
中科院分区：
文献类型：
--
作者：
Liu Lu;Huang Wei;Wang Cheng
高光谱图像分类近年来引起了人们的极大兴趣。以前的分类方法通常是基于单核或复合核机器。提出了一种新的正则化框架--再生核希尔伯特空间（RKHS）和空间中的最小二乘支持向量机（LS-SVM-SS），用于利用光谱特征或局部二值模式特征对高光谱图像进行分类。该方法的目的是同时近似的低频和高频分量的目标分类功能与多尺度内核。在新提出的方案中，LS-SVM-SS进行监督学习，并训练一个封闭形式的判别函数，直接实现多类分类。与一步法或两步法的多核学习（MKL）相比，我们可以得到一个非迭代的优化过程。在三个真实的高光谱数据集上进行了实验。相应的实验结果表明，与现有的几种方法相比，LS-SVM-SS方法在大多数情况下具有良好的泛化性能，优于任何单核RKHS方法。此外，提出的多尺度核分类器框架为高光谱图像分类的未来发展开辟了广阔的领域。
Hyperspectral image classification has attracted considerable interest in recent years. The previous classification methods are usually based on single-kernel or composite-kernel machines. In this paper, a novel regularization framework referred to least-squares support vector machine in sum space (LS-SVM-SS) of reproducing kernel Hilbert space (RKHS) is proposed for the classification of hyperspectral images using spectral signatures or local binary pattern features. The method is designed to simultaneously approximate the low- and high-frequency components of the target classification function with multiscale kernels. In the newly proposed scheme, LS-SVM-SS carries out the supervised learning and train a closed-form discriminant function to directly implement the multiclass classification. In contrast to multiple-kernel learning (MKL) by one-step method or two-step method, we can obtain a noniterative optimization procedure. Experiments are conducted on three real hyperspectral datasets. The corresponding experimental results demonstrate that the LS-SVM-SS method achieves good generalization performance in most cases compared with several state-of-the-art methods, which is better than that in any single-kernel RKHS. In addition, the proposed framework of multiscale kernels classifier opens a wide field for future developments in hyperspectral image classification.
登录
查看更多内容
DOI：
10.1109/csie.2009.990
发表时间：
2009-03
期刊：
2009 WRI World Congress on Computer Science and Information Engineering
影响因子：
--
作者：
Wang Liguo;Deng Luqun;Lei Ming
通讯作者：
Wang Liguo;Deng Luqun;Lei Ming
DOI：
--
发表时间：
2005-12
期刊：
J. Mach. Learn. Res.
影响因子：
--
作者：
Cheng Soon Ong;Alex Smola;R. C. Williamson
通讯作者：
Cheng Soon Ong;Alex Smola;R. C. Williamson
使用多尺度完整局部二值模式和 Fisher 向量进行遥感图像场景分类
影响因子：
5
作者：
Huang, Longhui;Chen, Chen;Du, Qian
通讯作者：
Du, Qian
影响因子：
4.8
作者：
Gomez-Chova, Luis;Camps-Valls, Gustavo;Calpe, Javier
通讯作者：
Calpe, Javier
影响因子：
8.2
作者：
Wang Qingwang;Gu Yanfeng;Tuia Devis
通讯作者：
Tuia Devis