高光譜遙感圖像半監(jiān)督分類方法的研究.pdf

1、成像光譜儀技術(shù)的出現(xiàn)，使遙感技術(shù)提供光譜特征信息的同時(shí)，也提供了空間特征圖像，在此基礎(chǔ)上，高光譜遙感圖像因具有較高的光譜分辨率，在實(shí)際中得到了廣泛的應(yīng)用。高光譜遙感圖像波段多、信息量大，能夠獲取更為精細(xì)地光譜特征，給對(duì)地物的分類與探測(cè)帶來(lái)前所未有的機(jī)遇，但同時(shí)也帶來(lái)了挑戰(zhàn)。針對(duì)高光譜遙感圖像的特點(diǎn)，分類技術(shù)需要考慮以下關(guān)鍵性問(wèn)題：（1）高光譜遙感圖像具有幾十甚至數(shù)百個(gè)波段，數(shù)據(jù)量大，維數(shù)高；（2）對(duì)樣本進(jìn)行標(biāo)記是一件耗費(fèi)人力、物力、財(cái)力

2、的事情，且選取的樣本也不一定具有代表性，Hughes證明了訓(xùn)練樣本數(shù)目為樣本數(shù)據(jù)維數(shù)的6~10倍時(shí)，分類效果較好，獲取足夠數(shù)目的且有代表性的有標(biāo)簽樣本困難大；（3）地物的光譜特征受地物種類本身以及周圍環(huán)境的影響變化較大，光譜特征具有空間變異性。傳統(tǒng)的分類方法一般分為無(wú)監(jiān)督分類和監(jiān)督分類，無(wú)監(jiān)督分類無(wú)需先驗(yàn)知識(shí)的指導(dǎo)，但分類效果不佳，監(jiān)督分類方法一般依賴訓(xùn)練樣本的數(shù)量和質(zhì)量，在訓(xùn)練樣本不足或質(zhì)量不高的情況下，分類器的泛化性降低。綜合考慮以

3、上問(wèn)題，本文主要研究了高光譜遙感圖像的半監(jiān)督分類算法，充分利用海量的無(wú)標(biāo)簽樣本信息，輔助分類器進(jìn)行分類。同時(shí)，利用核學(xué)習(xí)技術(shù)解決維數(shù)災(zāi)難問(wèn)題，利用空間信息抑制光譜的空間變異性對(duì)分類的影響。在此基礎(chǔ)上，主要提出了以下兩種半監(jiān)督分類方法：
　　1提出一種結(jié)合局部和全局一致性學(xué)習(xí)方法（Learning with local and global consistency, LLGC）和最小二乘支持向量機(jī)（Least squares sup

4、port vector machine, LS-SVM）的半監(jiān)督分類算法。LLGC算法是一種基于圖的分類算法，根據(jù)樣本數(shù)據(jù)間的相似程度，將樣本標(biāo)簽信息依次迭代的傳遞給無(wú)標(biāo)簽樣本，基于此，本文提出用LLGC算法代替?zhèn)鹘y(tǒng)的KNN方法，對(duì)有標(biāo)簽樣本的近鄰樣本進(jìn)行標(biāo)記，然后將已標(biāo)記的樣本擴(kuò)充到LS-SVM的訓(xùn)練樣本集中，訓(xùn)練 LS-SVM分類器。本文提出的算法不僅能夠很好地避免基于圖算法時(shí)間復(fù)雜度高和直推性的缺陷，而且可以擴(kuò)充 LS-SVM訓(xùn)練

5、樣本集，提高LS-SVM的分類精度和泛化能力。實(shí)驗(yàn)結(jié)果表明，本文提出的算法在一定程度上提高了高光譜遙感圖像的分類精度。
　　2提出一種引入負(fù)相似的LapSVM半監(jiān)督分類（Dissimilarity in Laplacian support vector machine, Diss-LapSVM）方法。LapSVM分類器是結(jié)合傳統(tǒng)的正則化框架和流形假設(shè)提出的一種半監(jiān)督分類方法，同傳統(tǒng)的SVM算法一樣，結(jié)構(gòu)簡(jiǎn)單，運(yùn)算速度快，魯棒性強(qiáng)，

6、而且通過(guò)添加流形正則化項(xiàng)，引入了無(wú)標(biāo)簽樣本蘊(yùn)含在流形結(jié)構(gòu)中的幾何信息，輔助有標(biāo)簽樣本調(diào)整分類界面，提高了分類器的泛化性能。同時(shí)，本文提出利用LNP（Linear neighborhood propagation, LNP)）算法，構(gòu)造圖的拉普拉斯矩陣，更好地反映無(wú)標(biāo)簽樣本的幾何結(jié)構(gòu)信息。本文充分考慮到光譜特征的空間變異性，提出利用空間信息提取樣本之間的相似度問(wèn)題，引入了負(fù)相似的概念，在一定程度上減緩“同譜異物”、“同物異譜”現(xiàn)象對(duì)分類結(jié)

7、果的影響。利用AVAIRIS圖像驗(yàn)證算法的有效性，實(shí)驗(yàn)結(jié)果證明本文提出的算法在提高分類精度和運(yùn)算速度方面都獲得較好的效果，尤其可以提高光譜特征相似地物的分類精度。
　　本文提出的兩種算法各有特點(diǎn)，第一種是兩種監(jiān)督算法的結(jié)合，首先利用原始的有標(biāo)簽樣本訓(xùn)練一種分類器，對(duì)置信度較高的無(wú)標(biāo)簽樣本進(jìn)行標(biāo)記，達(dá)到擴(kuò)充另一種分類器的訓(xùn)練樣本集目的；第二種算法是直接將無(wú)標(biāo)簽樣本添加到目標(biāo)函數(shù)中，利用無(wú)標(biāo)簽樣本的幾何結(jié)構(gòu)信息，同原始的有標(biāo)簽樣本一起