基于主動(dòng)學(xué)習(xí)的高光譜圖像分類方法研究.pdf

1、隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展，機(jī)器學(xué)習(xí)作為一門多領(lǐng)域交叉學(xué)科，已經(jīng)成為計(jì)算機(jī)科學(xué)技術(shù)中最受關(guān)注的領(lǐng)域之一。近年來，主動(dòng)學(xué)習(xí)作為機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)，受到越來越廣泛的關(guān)注。高光譜圖像是成像光譜儀在數(shù)十甚至數(shù)百個(gè)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(lǐng)域都應(yīng)用廣泛，例如植被、生態(tài)、大氣、以及海洋等研究領(lǐng)域。對于高光譜圖像來說，分類技術(shù)已經(jīng)成為高光譜圖像研究的

2、熱點(diǎn)?，F(xiàn)階段，基于支持向量機(jī)（Support Vector Machine,SVM）的主動(dòng)學(xué)習(xí)算法在高光譜圖像分類中的應(yīng)用越來越流行，考慮到傳統(tǒng)基于SVM的主動(dòng)學(xué)習(xí)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(dòng)學(xué)習(xí)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(dòng)學(xué)習(xí)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(dòng)學(xué)習(xí)算法對高光譜圖像進(jìn)行分類，得到一個(gè)

3、初始的分類結(jié)果，然后計(jì)算每個(gè)訓(xùn)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(jìn)行比較，最后利用比較的結(jié)果對初始分類結(jié)果進(jìn)行修正，得到最終的分類結(jié)果。對高光譜圖像的仿真實(shí)驗(yàn)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(dòng)學(xué)習(xí)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(gè)階段，第一階段利用圖像的空間信息先對訓(xùn)練樣本的鄰域樣本進(jìn)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(dòng)學(xué)習(xí)

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(jìn)行合并即為最終的分類結(jié)果。對高光譜圖像的仿真實(shí)驗(yàn)表明：該方法與同類算法相比，在不改變訓(xùn)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(dòng)學(xué)習(xí)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(jìn)行分割得到一幅分割圖，然后利用基于主動(dòng)學(xué)習(xí)的分類方法對高光譜圖像進(jìn)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(jìn)行融合得到最終的分類結(jié)果