支持向量机

1 机器学习简介 对于它的解释有几种:这是关于人工智能的一门科学,主要研究的是人工智能;不断积累经验,改进有关具体算法的相关的性能; 它是按照经验来改进的计算机算法的相关研究; 按照以往的数据和经验,提升计算机程序的性能。 2 SVM概述 在机器学习

1 机器学习简介

       对于它的解释有几种:这是关于人工智能的一门科学,主要研究的是人工智能;不断积累经验,改进有关具体算法的相关的性能; 它是按照经验来改进的计算机算法的相关研究; 按照以往的数据和经验,提升计算机程序的性能。 

 2 SVM概述

        在机器学习领域中,支持向量机是一个不错的模型,用于监督学习模式识别的分类以及回归的分析等方面。
       它的主要思想有以下的两点:⑴通常情况下,它是分析线性可分情况的,反之,对于线性不可分的情况,只能用非线性映射的算法,把它转化为线性可分的,然后再做分析。这也就使线性的所有情况的分析都成为可能;它的另外的一个方法是,把一个非线性映射p映射到相应的特征空间中去,进而把非线性可分的问题转化,成为线性可分的问题。换个说法,就是升维和线性化.升维,映射到高维的空间,通常这样做只能加大计算的难度,所以基本没人使用该方法。但是我们在分析该类问题时,有些时候在通常情况用通常方法是解不出来的,只有在高维特征空间中,使用这样的方法,通过一个线性超平面实现线性划分.通常情况下,升维都会加大计算的难度,而这样的方法刚好就解决了它:只需要用核函数的展开定理,就没有必要了解相应的非线性映射的显式表达式;相比线性模型,这并不会加大计算的难度,也就避免了所谓的维数灾难.这些就是核函数的展开和计算理论的优势。
不同的核函数,就会有各种的SVM生成,一般的有下面几个:
⑴线性核函数K(x,y)=x·y;
⑵多项式核函数K(x,y)=[(x·y)+1]^d;
径向基函数K(x,y)=exp(-|x-y|^2/d^2)
⑷二层神经网络核函数K(x,y)=tanh(a(x·y)+b)
       支持向量机有以下几个主要的优点:
(1)它主要研究有限样本的情况,而且其目标利用已有信息得到最好的解决方法,这个不是单单指在数量上的最佳。
(2)算法最终目的是把它转变为一个求最优解问题。简而言之,就是解决神经网络方法中一些无法解决的问题,从而得到全局的最优点。
(3)算法把实际问题用非线性变换的方法转化到高维的特征空间,在这里面通过构造线性判别函数的方法,换掉原非线性判别函数,这样可以保证机器既可以具备不错的推广能力,又可以解决了相关的维数问题,这也就使得其算法难易程度和样本维数不存在关联。
       该算法在很多应用领域都有成功的事例,比如一些识别系统之类的等等。它的精度和传统的算法相比是不相上下的,以上的应用都说明了,它是按照VC维理论和结构风险最小化原理而发展起来的,这样的结构化的学习方法是具有潜在优势的。这次的研究中也利用了SVM技术,对梯田有关数据进行探索研究,从而实现目的。

2.1 超像素概述

2.1.1 超像素分割

        在计算机视觉领域中,图像分割就是把数字图像分成很多个图像小区域的过程。这种小区域是把一些像素点按照颜色、亮度和纹理等相似特征进行排列的。他们基本都保留了关于进一步图像分割的有效信息,所以一般不会对图像中物体的边界信息产生破坏效果。
       以上处理的结果,是图像里面的所有子区域的集合,或是图像中轮廓线的集合。每个子区域里面的每个像素,在某种相关的特性的度量下或经过计算得出的所有的结果都是相似的。一些相邻的区域在一定特性下的度量存在很多不同点。

2.2 SC-MK算法简介

2.2.1 超像素的生成

       关于算法,它的大致思想是这样的。把图案从RGB颜色的空间转换到CIE-Lab颜色空间,这样里面的每个像素的(L,a,b)颜色值和(x,y)坐标组成一个5维向量V[L,a,b,x,y],对于每两个像素的相似性,就可以用向量的模值来计算具体的数值,则有距离越大,相似性越小的规律。
       算法在开始时,先设定K个种子点,再根据每个种子点附近的环境,搜索距离最近的若干像素,并把他们和这个种子点归为一类,直到所有点都有归属。然后算出这K个超像素里的一个平均向量值,重新得到K个聚类中心。然后像上面的过程一样,去搜索其周围相似的若干像素点,直到完毕,再更新聚类中心,像这样重复操作,直到收敛。这种做法很像K-means的聚类算法。
       该算法里面,只是接受一个参数K,专门用于生成的超像素的个数。设原图有N个像素,那么分割之后每块超像素大致有N/K个像素,所以每块超像素的边长大致为S=[N/K]^0.5,在这个过程中,我们每隔S个像素取一个聚类中心,那么以它的周围2S*2S的范围为其搜索空间,又在其最为相似的点的空间中搜寻。在这里因为存在一个不足之处,所以为了避免所选的聚类中心是一些边缘和噪声之类的不合理的点,于是在算法中做了改进, 在3*3的窗口中将聚类中心移动到梯度最小的区域,所以梯度定义为
             G(x,y)=[V(x+1,y)-V(x-1,y)]^2+[V(x,y+1)-V(x,y-1)]^2
这样就可以避免刚刚提到的不足之处。
       因为L,a,b在CIE-Lab颜色空间,L,a,b的大小在一定范围变化,因为图像尺寸则没有限制,如果图片的尺寸比较大,就会很大程度的影响衡量向量距离时空间距离(x,y),所以需要对调制空间距离(x,y)产生影响,这也就使得我们要对x,y进行常规化调整。改进向量距离的度量如下:
                         d_lab=[(Lk-Li)^2+(ak-ai)^2+(bk-bi)^2]^0.5
                         d_xy=[(Xi-Xk)^2+(Yk-Yi)^2]^0.5
                         Ds=d_lab+(m/S)*d_xy
m是用来调整d_xy的权值,在这个算法中设置为10。
       由于在最后可能有一些小的区域d,被标记为归属某一块超像素,但却和对应的超像素没有任何联系,此时就需要把这块小区域d重新归类,把他们和与这块小区域d连接的最大的超像素相融合,从而保证每块超像素的完整性。
 

2.2.3 SC-MK生成函数

       这种函数在本次实验中,是我们使用的其中一种核心方法。计算机视觉领域里,已经对超像素提供的有效表示进行了深度研究,这也就极大程度的方便识别视觉识别离子。对于每个超级像素来说,他们都是感性有意义的区域,它们的形状和尺寸可以根据不同的环境来发生改变。这里提出了SC-MK算法超级像素用于HSI分类,而且使用相关的光谱空间的信息技术,使其并在每个超像素之间。一般来说,这些提出的SC-MK算法有两部分:1)创建超像素HSI和2)寻找超级光谱空间信息像素通过多个内核。[14]
 支持向量机

2.3 SC-MK提取梯田区域

2.3.1 遥感影像的预处理

       计算一幅遥感图像中的分形维数,就可以把图像看作为一个三维的表面,其表面的一些特点可由图像的灰度值表示,因此表面的复杂性就说明了图像之中像素灰度值的变化特性。这种复杂程度可以使用分形维数来做一个定量的描述。该类图像是三维空间在二维表面上对应的投影,这样形成的二维影像的灰度表面也是被称作分形布朗面,在这里的分维数是和空间三维法向法量相等的。 这种图像的分维值一般最常见的的算法有以下几种: 根据尺度变换求分维值的方法; 用相关密度函数求分维值的方法; 利用光谱密度求分维值的方法; 基于表面积与体积的分形关系求分维值的方法; 利用分布函数求分维值的方法; 用表征图像灰度抽面和自然形状的代表性模式- Fractal Brown 函数来计算分维值。
       本次试验中,先得到无人机拍摄的正摄影像,再利用Arcgis处理产生相应的数字高程模型,如坡度图、晕渲图等。

原创文章,作者:写文章小能手,如若转载,请注明出处:https://www.sbvv.cn/chachong/699.html,文章版权申述

(0)
上一篇 2017年10月10日 上午1:06
下一篇 2017年10月11日 上午6:42

相关推荐

My title page contents