基于图的高光谱遥感数据半监督分类算法研究

发布时间：2017-04-19 08:51

  本文关键词：基于图的高光谱遥感数据半监督分类算法研究，由笔耕文化传播整理发布。

【摘要】：高光谱遥感数据具有很高的光谱分辨率,能够同时获取地物的光谱特征信息和空间特征信息。高光谱遥感能够识别多光谱遥感中难以识别的地物,用于精细分类。地物分类是高光谱遥感的一个重要应用方向,对于更好的识别地物、理解地物分布规律具有重要作用。高光谱遥感数据具有很高的维数,传统的有监督分类算法对高光谱遥感数据分类需要足够数量的训练点,否则易导致Hughes现象。高光谱图像获取类别标记数据是一项耗时耗力,成本高昂的工作。基于图的半监督分类算法能够在训练样本点不足的情况下,充分挖掘大量无标签数据信息来辅助分类,获得较好的分类结果。 基于图的半监督分类算法核心工作是图结构设计,图中数据点的权值矩阵反映数据的几何特性。流形学习是一种重要的非线性降维方法,能很好的挖掘高光谱遥感数据的非线性特性。每一种流形学习算法对应着一种图结构,因此,流形学习算法可以进行基于图的半监督分类器中图结构的设计。数据中存在着大量不相似信息,但却非常难获得。传统的基于图的半监督分类算法仅利用了数据的相似信息,对数据的不相似信息挖掘不够。在基于图的半监督算法中结合数据的不相似性和相似性信息,对高光谱遥感数据分类有辅助作用。论文重点研究基于图的半监督分类算法对高光谱遥感数据的分类研究,主要从以下儿个方面开展研究： 1在缺少训练样本的情况下,K近邻算法对高光谱遥感数据分类效果并不理想。采用半监督的方法自动获取部分无标签数据的类别信息,结合加权K近邻的方法,可以有效克服样本点不足产生的问题,提高分类效果。这种方法存在一定的风险,一旦无标签数据被错误分类,这种错误在后续的使用中将会被延续甚到扩大。通过获取无标签数据属于各类别的概率作为类别信息,可以降低分类错误带来的风险。我们使用了两组高光谱遥感数据作为实验数据,实验表明采用分类方法自动获取样本点标签信息,可以有效克服高光谱遥感数据分类时样本点不足的问题,有助于提高分类精度。 2半监督分类算法利用少量标记数据和大量无标记数据构建分类模型,能够有效克服分类时样本点不足产生的问题。与传导式的基于图的半监督分类算法相比,拉普拉斯支持向量机通过训练获得分类器可以直接对新数据进行分类。然而,拉普拉斯支持向量机对高光谱遥感数据非线性特性的挖掘能力不够,采用流形学习算法来构造图结构,能够更好的描述高光谱数据几何结构。本文采用三组高光谱遥感数据作为实验数据,重点分析比较两种局部流形学习算法构图对高光谱数据分类精度的影响,实验证明基于流形学习构图的拉普拉斯支持向量机对高光谱遥感数据分类效果较传统构图方法有显著提高。 3除了光谱信息以外,高光谱遥感数据中还存在大量的不相似信息。然而无标签数据的不相似性非常难获取。传统的半监督算法中需要依靠大量先验知识来获取数据的不相似信息,计算复杂且人工干预量大。针对上述问题,提出一种基于不相似概率的数据不相似性度量方法,不需要依赖大量先验知识,实现不相似信息的自动提取。根据数据的不相似概率选择最不相似的“近邻点”,构造不相似图。图中不相似的点相互连接,边权值采用热核函数计算。通过图拉普拉斯矩阵将光谱相似性图与不相似图线性组合并嵌入标签传递算法框架中,用于高光谱遥感数据分类。实验表明本文方法能够有效挖掘和利用数据的不相似性信息,提高高光谱遥感数据的分类精度,尤其是在样本点非常少的时候。
【关键词】：高光谱遥感 半监督分类 图 流形学习 不相似性度量
【学位授予单位】：中国地质大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：P237
【目录】：

• 作者简介6-8
• 摘要8-10
• ABSTRACT10-14
• 第一章 绪论14-20
• §1.1 选题背景及意义14-15
• §1.2 国内外研究现状与存在问题15-17
• 1.2.1 基于图的半监督分类算法研究现状15-16
• 1.2.2 图构造方法研究现状16
• 1.2.3 目前存在的问题16-17
• §1.3 论文主要研究内容17-18
• §1.4 论文的组织结构18-20
• 第二章 基于图的半监督分类算法20-27
• §2.1 传导式半监督分类算法20-24
• 2.1.1 最小分割Mincut21
• 2.1.2 高斯随机场和调和函数GRHF21-22
• 2.1.3 局部和全局一致性LGC22-23
• 2.1.4 线性邻域传播算法LNP23-24
• §2.2 直推式半监督分类算法24-26
• 2.2.1 流形正则化MR25-26
• §2.3 本章小结26-27
• 第三章 基于线性邻域传播的加权K近邻算法27-36
• §3.1 加权K近邻算法28
• §3.2 基于线性邻域传播的加权K近邻算法28-30
• §3.3 高光谱数据实验结果与分析30-34
• 3.3.1 数据描述30-32
• 3.3.2 实验结论与分析32-34
• §3.4 本章小结34-36
• 第四章 基于流形学习进行图结构设计的半监督分类算法36-52
• §4.1 几种典型流形学习算法37-43
• 4.1.1 多维尺度化MDS37-38
• 4.1.2 等距映射算法ISOMAP38
• 4.1.3 拉普拉斯特征映射LE38-40
• 4.1.4 局部线性嵌入LLE40-41
• 4.1.5 局部切空间排列LTSA41-43
• §4.2 基于流形学习构图的LapSVM算法43-45
• 4.2.1 LapSVM算法原理43-44
• 4.2.2 基于流形学习算法的图结构设计44-45
• §4.3 基于流形学习构图的LapSVM算法性能比较实验45-50
• 4.3.1 数据描述45-46
• 4.3.2 实验结果与分析46-50
• §4.4 本章小结50-52
• 第五章 基于不相似图和相似图组合的标签传递算法52-62
• §5.1 不相似图构造53-55
• 5.1.1 基于稀疏表达的不相似概率计算53-54
• 5.1.2 基于不相似概率的不相似图构造54-55
• §5.2 基于不相似图和相似图组合的标签传递算法55-57
• 5.2.1 相似图构造55
• 5.2.2 混合图拉普拉斯55-56
• 5.2.3 基于不相似图和相似图组合的标签传递算法56-57
• §5.3 高光谱遥感数据实验结果与分析57-61
• 5.3.1 数据描述57
• 5.3.2 实验结论与结果分析57-60
• 5.3.3 算法参数敏感性分析60-61
• §5.4 本章小结61-62
• 第六章 结论与展望62-64
• §6.1 结论62-63
• §6.2 展望63-64
• 致谢64-65
• 参考文献65-68

【参考文献】

中国博士学位论文全文数据库 前1条

1 刘小兰;基于图和熵正则化的半监督分类算法[D];华南理工大学;2011年

  本文关键词：基于图的高光谱遥感数据半监督分类算法研究，由笔耕文化传播整理发布。

，

本文编号：315863