基于稀疏圖的小樣本高光譜圖像半監(jiān)督分類算法研究

1、分類號：TP391單位代碼：11407密級：公開學(xué)號：20147156北方民族大學(xué)碩士學(xué)位論文基于稀疏圖的小樣本高光譜圖像半監(jiān)督分類算法研究AlgithmResearchonSemiSupervisedClassificationofSmallSamplesHyperspectralImagewithSparseBasedGraph學(xué)位申請人：王君言指導(dǎo)教師：張春梅教授申請學(xué)位門類級別：工學(xué)碩士專業(yè)名稱：計算機(jī)軟件與理論研究方向：圖像處

2、理所在學(xué)院：計算機(jī)科學(xué)與工程學(xué)院論文完成日期：2017年5月萬方數(shù)據(jù)I摘要當(dāng)前，機(jī)器學(xué)習(xí)的相關(guān)理論和應(yīng)用研究遍地開花。傳統(tǒng)機(jī)器學(xué)習(xí)常用的兩種方法為無監(jiān)督學(xué)習(xí)和有監(jiān)督學(xué)習(xí)。然而我們也應(yīng)該看到，無監(jiān)督學(xué)習(xí)的特點和優(yōu)勢是不需要訓(xùn)練樣本，但無監(jiān)督學(xué)習(xí)對于空間分布較復(fù)雜的數(shù)據(jù)難以得到好的學(xué)習(xí)效果；另一方面，有監(jiān)督學(xué)習(xí)雖然學(xué)習(xí)性能較好，但當(dāng)訓(xùn)練樣本數(shù)目很少時，有監(jiān)督學(xué)習(xí)難以準(zhǔn)確學(xué)習(xí)出樣本的真實分布。由于半監(jiān)督學(xué)習(xí)可以利用大量的未標(biāo)記樣本來輔助有限的

3、有標(biāo)記樣本，從而避免無監(jiān)督學(xué)習(xí)和有監(jiān)督學(xué)習(xí)兩種方法的弊端，結(jié)合其優(yōu)勢，因而半監(jiān)督學(xué)習(xí)可以提高學(xué)習(xí)的準(zhǔn)確性。由于半監(jiān)督學(xué)習(xí)可以在得到較高分類精度的同時降低學(xué)習(xí)的成本，它對在理論和實際中提高學(xué)習(xí)器的分類性能有著非常重要的指導(dǎo)意義。在半監(jiān)督學(xué)習(xí)的眾多方法中，基于圖論的半監(jiān)督學(xué)習(xí)方法在實踐中取得了實證性的成功，它成為了半監(jiān)督學(xué)習(xí)方法中最流行的一種。但是，基于圖的半監(jiān)督學(xué)習(xí)方法有其特殊性，構(gòu)圖方法會對學(xué)習(xí)器的性能產(chǎn)生較大影響。針對構(gòu)圖問題，我們提

4、出一種基于可區(qū)分L1范數(shù)圖和KNN圖疊加圖的半監(jiān)督分類算法。并將該算法用于小樣本高光譜圖像分類問題上。本文的主要研究工作如下：基于少數(shù)已標(biāo)記樣本的高光譜圖像分類是一個具有挑戰(zhàn)的任務(wù)。對于基于圖的方法如何構(gòu)造圖是分類成功的關(guān)鍵。本文提出一種新的構(gòu)圖方法，首先在L1范數(shù)圖基礎(chǔ)上構(gòu)造一個區(qū)分能力更強(qiáng)的L1圖，即DL1圖，并將其和KNN圖疊加，在半監(jiān)督框架下來解決高光譜圖像的分類問題。本文的圖構(gòu)造方法包括兩個步驟，首先，使用稀疏表示方法估計任意