集成空间光谱信息的基于迭代支持向量机的高光谱图像分类

在有监督的高光谱图像分类中,众所周知的困难是训练数据的可用性有限,这是昂贵的,并且在实际的遥感场景中很难获得和获得。 支持向量机(SVM)技术已被证明非常适合通过使用有限数量的训练样本对高光谱数据进行分类。 在本文中,已经提出了对迭代支持向量机算法的修改,该算法结合了空间和频谱信息,并在每次迭代时都对训练样本进行了校正,以提高基于SVM的分类性能。 为了证明所提出框架的有效性,我们进行了印度松站点(IPS)上的AVIRIS数据实验,以将所提出的分类方法与一些现有分类技术(例如Linear-SVM,SVM-RBF,ISVM和神经网络实验结果表明,该方法明显优于著名的分类算法。