基于自适应参数支持向量机的高光谱遥感中小目标检测

简介：
本研究提出一种基于自适应参数支持向量机的方法，用于提高高光谱遥感图像中微小目标的检测精度和效率。通过优化模型参数实现对复杂背景下的弱小目标的有效识别。 为了解决高光谱遥感图像中小目标检测的问题，本段落提出了一种基于自适应参数支持向量机(SVM)的检测方法。首先使用主成分分析(PCA)对高光谱遥感图像进行降维处理，以减少数据冗余度；然后利用无监督检测技术快速、粗略地定位小目标，并将此初步结果作为后验信息输入到SVM中；根据该后验信息和核空间散度准则自适应调整SVM中的核函数参数，在此基础上于核空间内寻找区分目标与背景的最佳超平面。通过这一超平面重新分类像元，将其划分为背景或目标，并重复上述过程以获得精确且稳定的检测结果。实验表明，相较于经典的RX方法、核RX方法和支持向量数据描述(SVDD)方法，该新提出的方法能够更有效地识别高光谱遥感图像中的小目标。