以支持向量机为核心的遥感图像分类方法综述

1、原文

An Overview on Remote Sensing Image Classification Methods with a Focus on Support Vector Machine.

https://ieeexplore.ieee.org/document/9706669  

2、摘要

为了更好地进行遥感（RS）图像分类，近年来在遥感图像分类领域提出了多种方法。一般来说，RS图像分类方法有两类：基于像素（PB）的方法和基于对象（OB）的方法。本文从PB方法和OB方法的角度对RS图像分类方法进行了综述，特别是对一种有前途的RS图像分类方法支持向量机(SVM)的发展和特点进行了综述。SVM在RS领域特别受欢迎，因为它可以处理小规模的训练数据集，并提供比一些传统方法（如最大似然分类器）更高的分类精度。此外，SVM还具有优势和强泛化。然而，基于SVM的方法也存在一些问题。例如，基于SVM的方法由于核函数选择不当而容易过拟合，并且它们在确定最佳核函数参数以及处理高光谱图像方面效率低下。本文还提出了基于SVM的方法的改进，旨在解决SVM在RS图像分类领域的局限性并提高其性能。此外，还提出了支持向量机在遥感图像分类领域的未来发展方向，以期帮助研究人员找到未来可能的研究重点。

3、正文

---------------------------------------------------------------------

----------------------------------------------------------------------

------------------------------------------------------------------------

-------------------------------------------------------------------------------------

4、结论

本文概述了RS图像分类第一部分介绍了方法，介绍了PB方法和OB方法的特点和实例。然后，介绍了支持向量机，一种已被应用为PB和OBRS图像分类方法的有前途的方法。针对遥感影像分类领域的支持向量机，本文概述了它的发展历程以及在遥感影像分类领域的优势和局限。随后，提出了一些侧重于突破限制和提高支持向量机在RS图像分类中的性能的技术。

在接下来的几年中，RS中基于SVM的技术图像分类领域得到了很大的发展和改进。然而，仍有一些挑战需要解决，包括有待克服的挑战和新方法带来的挑战。以下是SVM在RS图像分类领域未来的一些可能方向：

A.降低计算复杂度

在过去的几年里，各种先进的基于SVM已经提出了更高分类性能的方法。但是很多方法将SVM与其他方法相结合（例如，将SVM与随机森林相结合，将SVM与二叉树结构相结合等），虽然可以获得更高的分类精度，但可能会带来更高的计算复杂度。因此，降低基于SVM的方法的计算复杂度是我们未来需要解决的一个不可避免的问题，以便获得更高的性能。

B.寻找更有效的方法来选择合适的支持向量机的内核函数

核函数是SVM的关键元素，具有很好的影响SVM的性能。然而，选择合适的核函数通常依赖于特定的样本特征和经验。虽然网格搜索法和交叉验证等方法可以为核函数的选择提供更可靠的方法，但它们通常比较耗时。因此，寻找一种为选择合适的核函数提供更高效率的方法仍然是未来需要解决的问题。

C.减少处理高光谱的处理时间

基于SVM的方法也存在消耗的问题处理高光谱图像时需要很多时间。此外，到目前为止，很少有技术专注于这个问题。因此，减少高光谱图像的处理时间是一个有待解决的问题，并且可能是未来的一个可能方向。

D.将SVM与其他方法相结合

虽然已经有很多作品基于过去几年SVM与其他方法的结合，随着未来新技术的出现，将SVM与新方法结合仍然可能是一种未来提高SVM性能的有效且有前景的方法。

5、参考文献

------------------------------------------------------------------------------