Mixed KPCA结合纹理特征的SVM盐碱土信息提取

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (27): 211-216.

Mixed KPCA结合纹理特征的SVM盐碱土信息提取

崔林林1，2，罗毅1，包安明1，李春轩1，2

1.中国科学院新疆生态与地理研究所，乌鲁木齐 830011
2.中国科学院研究生院，北京 100049

出版日期:2012-09-21 发布日期:2012-09-24

Method of salt-affected soil information extraction based on Support Vector Machine with Mixed KPCA and texture features

CUI Linlin1，2, LUO Yi1, BAO Anming1, LI Chunxuan1，2

1.Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Urumqi 830011, China
2.Graduate School, Chinese Academy of Sciences, Beijing 100049, China

Online:2012-09-21 Published:2012-09-24

摘要/Abstract

摘要： 核函数是核主成分分析（Kernel Principal Component Analysis，KPCA）的核心，目前使用的核函数都是单一核函数。尝试通过将光谱角径向基核函数（Spectral Angle Radial Basis Function，SA-RBF）与RBF组合形成混合核函数。在研究中，利用基于该混合核函数的KPCA进行特征提取，将其光谱特征波段和纹理特征相结合用于盐碱土的SVM分类，将分类结果与其他SVM分类进行比较，结果表明：该方法优于其他SVM方法，能有效提取玛纳斯河流域绿洲区的盐碱土专题信息，分类精度是89.000%，kappa系数是0.876。

关键词: 混合核主成分分析, 纹理特征分析, 支持向量机, 盐碱土

Abstract: The kernel function is key part of Kernel Principal Component Analysis, KPCA. The present used kernel functions are simple kernel functions. This paper makes an effort to present a mixed kernel function by combining Spectral Angle Radial Basis Function, SA-RBF with RBF. In this study, extracting spectral feature bands using KPCA based on the mixed kernel function, the SVM is used to classify salt-affected soil using a combination of spectral features and texture features as a data source. In addition, the combined approach is compared with other SVM methods. The results reveal that the proposed SVM method used here can effectively extract salt-affected soil thematic information for the Manasi River Oasis. Especially, the overall accuracy of this method is 89.000% and the kappa coefficient is 0.876, which indicates that this method is better than other classification methods.

Key words: Mixed Kernel Principal Component Analysis, texture features analysis, Support Vector Machine（SVM）, salt-affected soil

崔林林1，2，罗毅1，包安明1，李春轩1，2. Mixed KPCA结合纹理特征的SVM盐碱土信息提取[J]. 计算机工程与应用, 2012, 48(27): 211-216.

CUI Linlin1，2, LUO Yi1, BAO Anming1, LI Chunxuan1，2. Method of salt-affected soil information extraction based on Support Vector Machine with Mixed KPCA and texture features[J]. Computer Engineering and Applications, 2012, 48(27): 211-216.

[1]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[2]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[3]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[4]	温杰彬，杨文忠，马国祥，张志豪，李海磊. 基于Apex帧光流和卷积自编码器的微表情识别[J]. 计算机工程与应用, 2021, 57(4): 127-133.
[5]	李俊侠，张秦，郑桂妹. 超宽带雷达人体姿态识别综述[J]. 计算机工程与应用, 2021, 57(3): 14-23.
[6]	徐先峰，蔡路路，张丽. 融合MLP和DBN的光伏发电预测算法[J]. 计算机工程与应用, 2021, 57(3): 266-272.
[7]	陈富健，谢维信，夏婷. 基于LCT+的自适应抗遮挡目标跟踪算法[J]. 计算机工程与应用, 2021, 57(22): 190-198.
[8]	杨泉. N1+N2结构语法关系判定的SVM算法[J]. 计算机工程与应用, 2021, 57(20): 104-108.
[9]	高晋，赵云芃，Godfred Kim Mensah，李欣芸，刘志芬，陈俊杰，郭浩. 静息态功能脑连接的空间动态分析及分类研究[J]. 计算机工程与应用, 2021, 57(2): 150-155.
[10]	秦博宇，郝晓燕，刘永芳. 基于SVM和CRF双层模型的FrameNet框架消歧[J]. 计算机工程与应用, 2021, 57(18): 255-262.
[11]	郑淋文，周金治，黄静. 深度稀疏自编码器在ECG特征提取中的应用[J]. 计算机工程与应用, 2021, 57(11): 156-161.
[12]	温廷新，孔祥博. 不平衡样本下的金融市场极端风险预警研究[J]. 计算机工程与应用, 2020, 56(8): 256-260.
[13]	陈菲雨，岳文斌，饶颖露，邢金昊，马晓静. 基于改进TLD算法的无人机自主精准降落[J]. 计算机工程与应用, 2020, 56(7): 247-254.
[14]	马玲，罗晓曙，蒋品群. 基于模板匹配和支持向量机的点阵字符识别研究[J]. 计算机工程与应用, 2020, 56(4): 134-139.
[15]	张忠林，冯宜邦，赵中恺. 一种基于SVM的非均衡数据集过采样方法[J]. 计算机工程与应用, 2020, 56(23): 220-228.