基于多核Boosting多特征組合高光譜分類(lèi)技術(shù)研究.pdf

1、高光譜遙感以其高的光譜分辨率、眾多波段數(shù)、圖譜合一的優(yōu)勢(shì)，掀開(kāi)遙感屆又一場(chǎng)革命序幕。高光譜遙感分類(lèi)技術(shù)是挖掘高光譜數(shù)據(jù)中地物信息有效技術(shù)手段，是在傳統(tǒng)遙感數(shù)據(jù)分類(lèi)技術(shù)的基礎(chǔ)上進(jìn)一步發(fā)展，其采用的分類(lèi)技術(shù)有其獨(dú)特性。由于傳感器分辨率過(guò)低使得一個(gè)像元中混有多種地物、地物相互覆蓋以及地物反射時(shí)相互混合影像造成的“同物異譜”、“同譜異物”等造成混合像元現(xiàn)象的存在，使得高光譜影像分類(lèi)存在不確定性，分類(lèi)不確定性問(wèn)題是遙感分類(lèi)面臨最大挑戰(zhàn)。我們?cè)谠O(shè)計(jì)

2、高光譜影像分類(lèi)器時(shí)必須了解這些不確定性的本質(zhì)，合理的處理這些不確定性，建立可靠的穩(wěn)健性強(qiáng)的高光譜影像的分類(lèi)器，提高多類(lèi)別地物分類(lèi)精度。同時(shí)要兼顧高光譜數(shù)據(jù)特性：波段數(shù)眾多帶來(lái)的數(shù)據(jù)冗余問(wèn)題，高光譜遙感影像數(shù)據(jù)量巨大導(dǎo)致對(duì)圖像數(shù)據(jù)的預(yù)處理困難，波段間高的相關(guān)性帶來(lái)的訓(xùn)練樣本數(shù)量的增加以及高光譜數(shù)據(jù)中利用常規(guī)遙感分類(lèi)模型特別是統(tǒng)計(jì)學(xué)分類(lèi)模型時(shí)估計(jì)參數(shù)苦難問(wèn)題等；因此設(shè)計(jì)一種合適的穩(wěn)健性強(qiáng)的適用于高光譜數(shù)據(jù)分類(lèi)器十分必要。
　　同時(shí)我們

3、在利用高光譜數(shù)據(jù)進(jìn)行分類(lèi)時(shí)，只利用單一信息是不全面的，不同特征的作用各不相同，彼此存在互補(bǔ)的現(xiàn)象。隨著遙感圖像處理的深入，僅僅使用精細(xì)化波譜信息進(jìn)行分類(lèi)會(huì)浪費(fèi)很多空間信息，多特征組合可以從多元信息中提取有利于分類(lèi)信息，并對(duì)其進(jìn)行優(yōu)化組合，形成優(yōu)勢(shì)互補(bǔ)，以提高高光譜影像分類(lèi)精度已經(jīng)變得越來(lái)越重要。
　　本文中我們針對(duì)基于 SVM分類(lèi)器的多核學(xué)習(xí)優(yōu)化過(guò)程復(fù)雜的缺點(diǎn)，利用 Boosting算法思想對(duì)多核組合學(xué)習(xí)算法拓展。此算法思想是將高

4、光譜數(shù)據(jù)通過(guò)核函數(shù)映射到高維特征空間，構(gòu)建不同的弱分類(lèi)器組，利用Boosting算法對(duì)弱分類(lèi)器進(jìn)行學(xué)習(xí)得到多個(gè)弱分類(lèi)組的權(quán)重，線性組合成強(qiáng)分類(lèi)器，以提高分類(lèi)精度；利用Boosting算法的高效性解決因?yàn)榛诙嗪说姆诸?lèi)器優(yōu)化過(guò)程帶來(lái)的過(guò)大計(jì)算量的問(wèn)題的目的。
　　針對(duì)高光譜數(shù)據(jù)多特征組合問(wèn)題，該文提出了一種在多核學(xué)習(xí)框架下利用多核Boosting（MKB）實(shí)現(xiàn)多特征合理組合和異質(zhì)信息互補(bǔ)的高光譜影像分類(lèi)算法。此算法充分利用了高光譜遙