摘要:高光谱图像分类是高光谱应用中的核心技术之一，快速、高精度的高光谱图像分类算法是实现各种实际应用的前提。传统的模式分类方法以经验风险最小化为归纳原则，只有当样本数趋于无穷时，其性能才能达到理论上的最优。然而在高光谱图像分类中，训练样本通常是有限的。本文借助支持向量机方法在小样本、非线性及高维特征空间中具有良好的分类性能，针对高光谱图像分类的特点，对支持向量机方法及其在高光谱图像分类中的应用进行了深入的研究。

本文系统总结了现有的几种多类支持向量机的代表性构造方法，并从训练速度、分类速度、结构选择与推广能力、分类精度四个方面对各种多类分类进行详细讨论。针对高光谱数据结构特点，采用支持向量机结构生成算法，将每一类样本的分割距离作为二叉树结构生成依据，兼顾类间距，类内距与最优分类面的关系，很大程度上减少自上而下的误差累积，实现了快速、准确分类。

关键词： 高光谱遥感；支持向量机；多类分类

目录

摘要

Abstract

1 绪论-1

1.1 课题的目的及意义-1

1.2 国内外的研究现状-1

1.3 本文的研究内容和组织结构-2

2 高光谱遥感图像的分类理论-3

2.1 高光谱遥感图像数据特性分析-3

2.1.1 高光谱数据表述-3

2.1.2 高光谱数据的特性-4

2.2 高光谱数据分类-5

2.2.1 关于直接光谱匹配的确定性方法-5

2.2.2 一般统计分类问题-5

2.2.3 数据分类存在的问题-6

2.3 数据研究的方向-7

3 基于SVM的高光谱图像分类-8

3.1 支持向量机（SVM）-8

3.1.1 SVM模型-8

3.1.2 重建和分类-10

3.2 学习 SVM基础向量-10

4 高光谱遥感图像分类仿真实验-13

4.1 实验图像和分类流程-13

4.2 算法仿真实验-13

结    论-18

参 考 文 献-19

致    谢-20