基于主动学习的高光谱影像分类

发布时间：2020-06-30 19:33

【摘要】：高光谱遥感技术的出现为传统遥感技术带来了新的机遇与挑战。高光谱遥感影像维数高,数据量大,可获取的标记样本数量有限,传统的遥感影像处理方法对其失去了效用。针对高光谱遥感影像分类中标记样本不足的问题,引入了机器学习中的主动学习方法。主动学习通过主动对未标记的样本进行选择并进行标记扩大原有的标记样本集,并使用扩大的样本集更新分类器,这个过程反复迭代直到满足迭代停止条件或者未标记样本集为空,因此使得分类器在标记样本数量不足地情况下提高分类精度。本文将主动学习的思想结合支持向量机方法引入高光谱遥感影像的分类中。在现有主动学习分类模型的基础上,通过系统的研究主动学习方法和高光谱遥感影像的特点,针对利用主动学习方法进行高光谱遥感影像分类中的两个问题,即分类精度和采样代价,分别提出适合高光谱遥感影像分类的模型,并对结合后的模型进行了分类性能分析。论文的主要内容及结论如下:(1)鉴于传统的高光谱遥感影像分类方法中采样过程中样本的选择标准比较单一,造成容易错失信息含量丰富的样本的现象,提出了使用多样性采样准则对样本信息进行衡量。在多样性准则基础上再使用最小期望误差准则来挑选期望误差较小的样本,最大限度地提高分类结果的精度。通过高光谱遥感影像对所提出的算法进行实验,其结果表明该主动学习采样方法进行高光谱影像分类能有效的提高分类结果的精度,且能在样本较少的情况下达到稳定分类的效果。(2)鉴于高光谱影像数据量大,未标记样本量较多,使用传统的主动学习进行分类时,会出现采样代价过大的现象,提出了基于角度LSH的采样方法对高光谱影像进行分类。使用角度代替距离对样本类别进行衡量,并且将计算后的角度映射到对角度敏感的Hash堆栈中,以最大限度的减少学习过程中的采样代价。通过高光谱影像分类实验,其结果表明该采样方法能有效的减少采样过程的采样代价,能应用于数据量较大的高光谱遥感影像分类中。
【学位授予单位】：成都理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：P237
【图文】：

图 2-1 高光谱影像数据示意图（杨国鹏，2010）与传统的全色、多光谱影像相比，高光谱影像独有的特性为：（1） 高光谱影像拥有更高的光谱分辨率，波长范围从可见光延伸到短波红外、中红外和热红外，波段数量较多，能够获取近似连续的地物光谱特征曲线。（2） 高光谱影像中包含更为丰富的地物信息，分辨和识别地物类别的能力得到了较大的提升，减少了多光谱中常出现的“同物异谱”和“同谱异物”现象，对实现遥感影像的定量或者半定量分析提供了可能。（3） 高光谱影像数据量巨大，波段相关性强，信息冗余现象明显，因此使得高光谱影像分析更加复杂，在必要时，需要对影像进行特征降维。2.2.2 数据模型根据目前对高光谱遥感影像的研究，将其主要的数据模型总结为以下 3 种，图 2-2 所示：

成都理工大学硕士学位论文为“维数灾难”。综合“维数灾难”产生的原因，我们可以知道其根源在于标记样本的数量，为缓解高光谱影像中的 Hughes 现象，研究者们提出以下几种方法：（1更简单的分类模型，减少分类模型中的参数量，提升分类效率；（2）将监和半监督学习方法相结合，可以缓解 Hughes 现象；（3）针对个别分类问题降维的方法缓解 Hughes 现象；（4）统计学习中的支持向量机模型能够很理高维、小样本问题，因此常被用来处理 Hughes 问题。

【相似文献】

相关期刊论文 前10条

1 范冬娟;张韶华;;高光谱影像反射率反演方法的研究[J];海洋测绘;2006年03期

2 甘甫平;王润生;;高光谱遥感技术在地质领域中的应用[J];国土资源遥感;2007年04期

3 杨燕杰;赵英俊;秦凯;陆冬华;;高光谱影像预处理技术[J];科技导报;2013年09期

4 杨可明;张涛;王立博;钱小丽;王林伟;刘士文;;谐波分析法高光谱影像融合及其光谱信息保真度评价[J];光谱学与光谱分析;2013年09期

5 杨哲海,冯猛,张燕燕;高光谱影像处理方法的改进[J];海洋测绘;2004年04期

6 李新双;张良培;李平湘;吴波;;基于小波分量特征值匹配的高光谱影像分类[J];武汉大学学报(信息科学版);2006年03期

7 原传纲;张广有;吴迪;杨哲海;;面向应用的高光谱影像分类方法[J];测绘科学技术学报;2007年02期

8 杨可明;陈云浩;郭达志;蒋金豹;;基于高光谱影像的小麦条锈病光谱信息探测与提取(英文)[J];光子学报;2008年01期

9 苏俊英;舒宁;;一种基于非线性增益小波滤波的高光谱影像去噪技术研究[J];遥感技术与应用;2008年04期

10 马莉;范文涛;;高光谱影像加权波段指数波段选择算法[J];黑龙江科技信息;2010年04期

相关会议论文 前10条

1 舒宁;胡颖;;基于地物光谱特征的高光谱影像边缘提取方法[A];地理空间信息技术与应用——中国科协2002年学术年会测绘论文集[C];2002年

2 舒宁;;多光谱和高光谱影像纹理分析的几种方法[A];第十五届全国遥感技术学术交流会论文摘要集[C];2005年

3 于美娇;董广军;张永生;纪松;杨靖宇;;一种基于极大后验估计的高光谱影像分辨率增强方法[A];图像图形技术与应用进展——第三届图像图形技术与应用学术会议论文集[C];2008年

4 董广军;纪松;朱朝杰;;基于局部线性嵌入流形学习的高光谱影像分类技术[A];第六届全国信息获取与处理学术会议论文集（3）[C];2008年

5 汪玮;周可法;王金林;周曙光;刘慧;;环境减灾卫星高光谱数据预处理[A];第十二届全国数学地质与地学信息学术研讨会论文集[C];2013年

6 黄远程;张良培;李平湘;;基于最小单形体体积约束的高光谱影像端元光谱提取[A];遥感定量反演算法研讨会摘要集[C];2010年

7 刘庆杰;蔺启忠;王黎明;王钦军;李庆亭;苗峰显;;基于CFFT最优信噪比的星载高光谱影像噪声抑制研究[A];第十七届中国遥感大会摘要集[C];2010年

8 张杰林;;砂岩型铀矿床高光谱数据挖掘技术研究[A];第十五届全国遥感技术学术交流会论文摘要集[C];2005年

9 董彦芳;庞勇;;高光谱影像与LiDAR数据融合提取城市目标提取[A];中国地震学会空间对地观测专业委员会2013年学术研讨会论文摘要集[C];2013年

10 李飞;周成虎;陈荣国;;基于光谱曲线形态的高光谱影像检索方法研究[A];第二届中国科学院博士后学术年会暨高新技术前沿与发展学术会议程序册[C];2010年

相关博士学位论文 前8条

1 刘轲;冬小麦叶面积指数高光谱遥感反演方法研究[D];中国农业科学院;2015年

2 杨国鹏;基于机器学习方法的高光谱影像分类研究[D];解放军信息工程大学;2010年

3 路威;面向目标探测的高光谱影像特征提取与分类技术研究[D];中国人民解放军信息工程大学;2005年

4 杨哲海;高光谱影像分类若干关键技术的研究[D];解放军信息工程大学;2006年

5 王凯;基于多特征融合的高光谱影像地物精细分析方法研究[D];武汉大学;2013年

6 杜辉强;高光谱遥感影像滤波和边缘提取方法研究[D];武汉大学;2004年

7 韦玮;基于多角度高光谱CHRIS数据的湿地信息提取技术研究[D];中国林业科学研究院;2011年

8 龚鑓;基于HDA和MRF的高光谱影像同质区分析[D];武汉大学;2007年

相关硕士学位论文 前10条

1 司海青;含水量对土壤有机质含量高光谱估算的影响研究[D];中国农业科学院;2015年

2 汪重午;基于高光谱线性混合模型的地质勘查研究[D];成都理工大学;2015年

3 原娟;面向高光谱地物的在轨替代光谱定标影响因子分析[D];浙江农林大学;2015年

4 魏祥坡;高光谱影像土质要素和人工地物分类技术研究[D];解放军信息工程大学;2015年

5 康苒;松嫩平原典型土壤有机质高光谱预测模型研究[D];东北农业大学;2016年

6 张颖;基于主动学习的高光谱影像分类[D];成都理工大学;2016年

7 董连凤;高光谱影像预处理技术研究[D];长安大学;2007年

8 祝鹏飞;面向对象的高光谱影像地物分类技术研究[D];解放军信息工程大学;2011年

9 杨国鹏;基于核方法的高光谱影像分类与特征提取[D];解放军信息工程大学;2007年

10 杨明;面向分类的高光谱影像特征提取技术研究[D];解放军信息工程大学;2012年

本文编号：2735735