基于RBF-SVM的草地高光谱图像分类

高光谱图像具有光谱分辨率高、波段多、图谱合一等特点,可有效实现对草地快速无损分类,提高草地分类准确性.利用高光谱仪器(HyperSpec?PTU-D48E)采集可见-近红外光谱(400～1 000 nm)草地图像,采用多元散射校正(multi-plicative scatter correction,MSC)进行预处理;特征提取使用主成分分析(principal component analysis,PCA)白化法,选择最佳主成分作为支持向量机(support vector machine,SVM)的输入,结合K折交叉验证法自动进行参数调优.比较不同SVM核函数对应的草地高光谱图像自动分类的识别结果,其中以基于高斯径向基核函数的支持向量机(RBF-SVM)分类结果较优,全局分类准确率(overall accuracy,OA)为98.89％,Kappa系数为0.99,分类时间为0.053 098 s,且优于梯度迭代决策树(gradient boosting decision tree,GBDT)及 K 近邻算法(K nearest neighbor algorithm,KNN).结果表明高光谱成像结合MSC-PCA白化-SVM(RBF)算法建立的识别模型可高效快速、准确无损地实现草地分类.