基于信息熵的自訓練半監(jiān)督高光譜遙感影像分類研究.pdf

1、高光譜遙感是現(xiàn)代遙感技術的一個里程碑式的發(fā)展標志，已是遙感領域的研究熱點，其中高光譜影像自動分類又是高光譜遙感的關鍵。為了適應高光譜影像自動分類技術對分類精度、分類穩(wěn)定性、算法普適性的現(xiàn)實要求，本文在分析現(xiàn)有監(jiān)督和非監(jiān)督分類存在不足的基礎上，圍繞著半監(jiān)督機器學習理論和信息熵理論對高光譜遙感影像自動分類技術開展了細致深入的研究，主要研究工作和創(chuàng)新性研究成果如下：
　?。?）針對高光譜影像監(jiān)督分類方法對訓練集中有標記標簽數(shù)量要求高、最

2、終分類精度低和當前半監(jiān)督分類方法中存在的構建模型復雜、方法實現(xiàn)困難等存在的問題，提出基于多分類Logistic回歸與Renyi熵融合的自訓練半監(jiān)督高光譜影像分類方法。多分類Logistic算法利用少量的有標記訓練樣本對高光譜數(shù)據(jù)類別進行預測并輸出類別概率信息，然后利用Renyi熵理論對無標記標簽進行有標記標注，補充到訓練集中，擴充訓練集規(guī)模后再進行迭代分類預測，最終算法穩(wěn)定收斂結束。通過5種不同高光譜遙感數(shù)據(jù)與多種監(jiān)督分類算法的比較試驗

3、結果表明，與常規(guī)的監(jiān)督分類方法相比較分類精度提高了1％-25.93%，且分類效果均優(yōu)于常規(guī)的監(jiān)督分類方法。
　?。?）構建基于概率支持向量機與D-S證據(jù)理論融合的自訓練半監(jiān)督高光譜影像分類方法。該方法利用概率支持向量機算法的快速類別預測能力以提升自訓練半監(jiān)督高光譜影像分類過程的速度，利用證據(jù)理論的合成規(guī)則以提升無標記標簽轉化為有標記標簽的質量。通過與多分類Logistic回歸與Renyi熵融合的自訓練半監(jiān)督分類方法的比較試驗結果表

4、明，在分類精度方面略有提高，最高達4.46%；運行效率方面有了明顯的改善，提升幅度達25.97%-59.70%。
　　（3）針對研究高光譜數(shù)據(jù)維數(shù)約減對自訓練半監(jiān)督分類方法的分類效率和分類質量的影響，提出基于噪聲估計與最小Renyi交叉熵融合的高光譜遙感影像波段選擇方法。線性回歸的噪聲估計方法對高光譜影像數(shù)據(jù)中隨機噪聲進行估計，然后利用Renyi交叉熵理論選擇原始影像中最大光譜信息量的波段，最后利用皮爾森相關系數(shù)法理論對這些波段進