基于主動學習的高光譜圖像分類方法研究.pdf_第1頁
已閱讀1頁,還剩93頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領

文檔簡介

1、隨著計算機技術的飛速發(fā)展,機器學習作為一門多領域交叉學科,已經(jīng)成為計算機科學技術中最受關注的領域之一。近年來,主動學習作為機器學習領域的研究熱點,受到越來越廣泛的關注。高光譜圖像是成像光譜儀在數(shù)十甚至數(shù)百個以上的連續(xù)的光譜通道上對地物持續(xù)遙感成像所成的圖像。由于高光譜圖像具有很高的光譜分辨率和豐富的波段信息,所以高光譜圖像在很多領域都應用廣泛,例如植被、生態(tài)、大氣、以及海洋等研究領域。對于高光譜圖像來說,分類技術已經(jīng)成為高光譜圖像研究的

2、熱點?,F(xiàn)階段,基于支持向量機(Support Vector Machine,SVM)的主動學習算法在高光譜圖像分類中的應用越來越流行,考慮到傳統(tǒng)基于SVM的主動學習算法在分類過程中只利用了圖像單一的光譜信息而忽略了圖像的空間信息,本文提出了幾種主動學習和空間信息相結(jié)合的分類方法。具體研究內(nèi)容如下:
  1.提出了一種基于主動學習結(jié)果修正的高光譜圖像分類方法。在該算法中,首先利用傳統(tǒng)的SVM主動學習算法對高光譜圖像進行分類,得到一個

3、初始的分類結(jié)果,然后計算每個訓練樣本和它的鄰域樣本之間的光譜相似性,并與給定的閾值進行比較,最后利用比較的結(jié)果對初始分類結(jié)果進行修正,得到最終的分類結(jié)果。對高光譜圖像的仿真實驗表明:該方法與同類算法相比,分類正確率有所提高。
  2.提出了一種基于主動學習的兩階段高光譜圖像分類方法。該方法把普通的高光譜圖像分類過程分為兩個階段,第一階段利用圖像的空間信息先對訓練樣本的鄰域樣本進行分類,第二階段結(jié)合第一階段分類的結(jié)果利用傳統(tǒng)主動學習

4、算法對剩余樣本繼續(xù)分類,最后把兩階段的分類結(jié)果進行合并即為最終的分類結(jié)果。對高光譜圖像的仿真實驗表明:該方法與同類算法相比,在不改變訓練樣本集規(guī)模的前提下提高了分類正確率。
  3.提出了一種結(jié)合圖像分割的主動學習高光譜圖像分類方法。該方法首先利用一種分割方法對高光譜圖像進行分割得到一幅分割圖,然后利用基于主動學習的分類方法對高光譜圖像進行分類得到一幅分類圖,最后對這兩幅分割圖和分類圖利用最大投票融合策略進行融合得到最終的分類結(jié)果

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論