特征選擇準(zhǔn)則間的關(guān)聯(lián)及高分辨率遙感影像類別不平衡問(wèn)題研究.pdf

1、高分辨率對(duì)地觀測(cè)遙感影像已經(jīng)廣泛應(yīng)用于國(guó)防、農(nóng)業(yè)、林業(yè)、海洋、國(guó)土和環(huán)境監(jiān)測(cè)等眾多方面。與中低分辨率遙感影像相比，高空間分辨率遙感影像具有豐富的形狀、結(jié)構(gòu)和紋理信息，基于傳統(tǒng)的像素處理方式已經(jīng)不能滿足高空間分辨率遙感影像的處理需求。近十年發(fā)展起來(lái)的面向?qū)ο蟮膱D像分析已成為高空間分辨率遙感影像處理的主要方法，但是在面向?qū)ο蟮膱D像分析中，除了影像分割困難外，還面臨如何準(zhǔn)確描述與表達(dá)影像對(duì)象內(nèi)容這一問(wèn)題。從高空間分辨率遙感影像對(duì)象中提取的紋理

2、和形狀等影像特征的維數(shù)往往比較高，高維特征將影響分類器性能，因此特征選擇是高空間分辨率遙感影像面向?qū)ο髨D像分析的一個(gè)重要研究?jī)?nèi)容。
　　模式識(shí)別領(lǐng)域的特征選擇方法常常評(píng)價(jià)特征對(duì)類別依賴性、類別之間的可分性以及特征之間相關(guān)性，但沒有揭示數(shù)據(jù)特性之間潛在的相互影響。本文立足于特征選擇方法中的過(guò)濾器模型，針對(duì)這一基礎(chǔ)性的問(wèn)題，度量數(shù)據(jù)特性并揭示數(shù)據(jù)特性間的相互影響。另外，緊緊圍繞“面向高空間分辨率遙感影像對(duì)象的特征分析”，通過(guò)分析高空間

3、分辨率遙感影像對(duì)象集的數(shù)據(jù)特性以解決面向該樣本集監(jiān)督/半監(jiān)督分類中的不平衡問(wèn)題。本文的主要研究?jī)?nèi)容分為以下兩個(gè)方面:
　　1.用可分性準(zhǔn)則、依賴性準(zhǔn)則和特征間相關(guān)性準(zhǔn)則來(lái)度量相應(yīng)的數(shù)據(jù)特性，并刻畫數(shù)據(jù)特性間的潛在關(guān)系是本文的主要研究?jī)?nèi)容之一。
　　2.在土地覆被/土地利用分類中，現(xiàn)有的研究利用核技巧處理高空間分辨率遙感影像對(duì)象組成的線性不可分的樣本集，并忽略類別不平衡問(wèn)題。這里，不平衡問(wèn)題是指由偏斜分布引起的有些類別大小過(guò)大

4、（稱為大類）而有些類別大小過(guò)小（稱為小類）的現(xiàn)象，它將導(dǎo)致分類器過(guò)于傾向大類。當(dāng)標(biāo)記樣本充足時(shí)，從監(jiān)督學(xué)習(xí)的角度研究樣本集的內(nèi)在可分性，降低線性不可分問(wèn)題和類別不平衡問(wèn)題對(duì)分類的影響。而當(dāng)標(biāo)記樣本不足時(shí)，從半監(jiān)督學(xué)習(xí)的角度充分利用未標(biāo)記樣本信息，研究樣本集在偏斜分布下的內(nèi)在可分性。
　　本文主要的創(chuàng)新點(diǎn)概括如下:
　　1.定義了不同類型的準(zhǔn)則，解析地分析了它們之間的關(guān)聯(lián)，以度量不同的數(shù)據(jù)特性并揭示其相互影響。首先假定樣本及其

5、屬于各個(gè)類別的條件概率服從多元正態(tài)分布，然后給出三個(gè)準(zhǔn)則:可分性、冗余性和特征對(duì)類別的依賴性準(zhǔn)則，并利用多元線性回歸方法建立不同準(zhǔn)則之間的關(guān)聯(lián)以描述數(shù)據(jù)特性間的相互影響。為了驗(yàn)證準(zhǔn)則的有效性，采用樸素的搜索策略—特征排序—進(jìn)行監(jiān)督和半監(jiān)督特征選擇。在實(shí)際數(shù)據(jù)集上，原始準(zhǔn)則產(chǎn)生了比經(jīng)典特征選擇方法(ReliefF和mRMR)差不多甚至更好的分類性能，表明了準(zhǔn)則的應(yīng)用價(jià)值。為了證實(shí)準(zhǔn)則之間的關(guān)聯(lián)，由一種準(zhǔn)則及準(zhǔn)則間關(guān)聯(lián)的導(dǎo)出其它類型的準(zhǔn)則。

6、在服從正態(tài)分布的仿真數(shù)據(jù)集(artificial dataset)和實(shí)際數(shù)據(jù)集上，比較了原始準(zhǔn)則與導(dǎo)出準(zhǔn)則性能的一致性，證實(shí)了準(zhǔn)則之間的關(guān)聯(lián)。通過(guò)這些關(guān)聯(lián)，間接地揭示了數(shù)據(jù)特性之間的相互影響。
　　2.提出了基于圖的可分性方法—局部賦權(quán)判別投影(locally weighted discriminatingprojection，簡(jiǎn)稱為L(zhǎng)WDP)。該方法基于流形思想從局部分析不平衡數(shù)據(jù)集，提出了一個(gè)泛化的目標(biāo)函數(shù)作為準(zhǔn)則，以處理數(shù)據(jù)

7、集中可能存在的非線性結(jié)構(gòu);采用相異性而非傳統(tǒng)的相似性（如熱核）度量樣本對(duì)之間關(guān)系，以更好地保持局部結(jié)構(gòu)并減輕不平衡問(wèn)題的影響;根據(jù)類別大小和局部類別分布，基于一致性假設(shè)提出鄰域并的約束以限制近鄰樣本之間的關(guān)系，并把該約束引入權(quán)重矩陣以克服不平衡問(wèn)題和潛在噪聲的影響。在包含大類、中等類和小類的高分辨率航空遙感影像上，與經(jīng)典準(zhǔn)則和最新準(zhǔn)則相比，LWDP提高了所有類別精度，尤其是小類的分類精度，減輕了類別不平衡問(wèn)題、線性不可分問(wèn)題和潛在的噪聲

8、的影響。
　　3.提出了一種基于圖的可分性方法—非對(duì)稱局部判別選擇(Asymmetrically LocalDiscriminant Selection，ALDS)。在只有少量標(biāo)記樣本時(shí)，ALDS引入關(guān)于類別大小比例的先驗(yàn)知識(shí)，針對(duì)性地設(shè)計(jì)了不對(duì)稱的誤分類代價(jià)函數(shù)，全面地分析了成對(duì)樣本之間關(guān)系。這些技巧有助于在半監(jiān)督學(xué)習(xí)中克服類別不平衡問(wèn)題，準(zhǔn)確評(píng)估特征保持幾何性質(zhì)和判別結(jié)構(gòu)的能力，并增強(qiáng)泛化能力。在只包含大類和小類的高分辨率航空