基于主动学习高光谱图像分类方法

《基于主动学习高光谱图像分类方法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于主动学习高光谱图像分类方法　　摘要：高光谱图像监督分类中，为了避免休斯效应需要大量的训练样本，但在实际应用中对样本进行标注成本非常高，因此，得到高质量的训练样本显得十分重要提出一种基于主动学习的高光谱图像分类方法，通过对区域关注度的统计，有效地结合图像光谱和空间特性，基于主动学习方法获取信息量较大的训练样本，从而较大幅度提高了分类的精确度实验结果表明，所提算法比传统的随机取样监督分类法和主动学习方法在分类精确度上有较大的优势关键词：关注度；支持向量机；期望最大化；主动学习；高光谱遥感图像中图分类号：TP391.41文献标志码：A0引言12遥感图像分类在现实生活中有着非

2、常广泛的应用，如地质勘探与地球资源调查、城市遥感与规划管理、环境与灾害监测、现代精细农业、测绘以及考古等遥感图像精准分类是诸多应用的基础问题，同时也是热点问题近十几年，卫星传感器技术得到了不断发展，遥感图像的光谱和空间分辨率不断提高，目前较为流行的高光谱成像系统包括AVIRIS、HYDICE、ARCHER、HYMAP和HYPERION通过这些成像系统获取的遥感图像所蕴含的信息得到了极大丰富，这为高光谱图像分类和聚类分析提供了新的契机，目前国内外学者提出了很多相关算法和方法，几乎所有经典的机器学习方法都被应用到图像分类和聚类分析中分类方面诸如基于最大似然和贝叶斯估计的方法[

3、1]、基于核和决策树的方法[2]、基于图的方法[3]，而在基于核的方法[4]中，支持向量机（SupportVectorMachine，SVM）在分类中的表现较为突出；聚类方面的大多数方法都是通过像元之间的相似性，利用统计学方法对图像进行聚合[5]但是，单一使用分类或者聚类方法无法充分利用图像中所包含的光谱和空间信息，所以在文献[6]中使用监督分类方法初始化聚类分割区域的标签，再通过流域变换获取最优的分割图像，最终在分割区域内对分类图像的结果标签进行投票，分割区域将标记为投票最高的类别，其分类的最终结果优于单一的分类或聚类方法文献[7]用投票的方式对聚类结果和分类结果进行整

4、合，最终使用分类所得的标签投票决定分割区域的类别，然后再对结果进行降噪处理，其最终精确度也比传统方法高但是，这两种方法都需要使用大量的训练样本来构造分类器，分类成本都比较高为了减少分类器对训练样本数量的需求，提高训练样本质量成为首要问题近几年，主动学习方法在寻找包含信息量较大、质量较高的训练样本时表现突出[8]本文提出一种基于主动学习的高光谱图像分类（HyperspectralImageClassificationbasedonActive12Learning，HICAL）方法，关注如何在减少训练集数量的同时提高分类精确度，结合了分类和聚类方法，充分利用高光谱图像的光谱和

5、原始空间特征，找到信息量较大的分割区域，进而获取信息价值较高的训练样本，最终有效提高分类器的分类效果1基于主动学习的高光谱图像分类方法1.1问题描述为了尽可能地降低高光谱图像分类精确度和所需的训练样本数量的比例，一方面需要充分利用高光谱图像所蕴含的信息，另一方面需要提高训练样本的质量HICAL方法是以分类和聚类结果结合后所构建的框架为基础，使用本文提出的关注度计算方法对结合后的区域进行统计，以找到信息量较高的区域新的训练样本将在关注度较大的区域中产生，以此来提高训练集的质量1.2HICAL方法1.2.1聚类分析本文使用期望最大化（ExpectationMaximizati

6、on，EM）算法对高光谱图像进行聚类分析在统计计算中，EM是在概率模型中寻找参数最大似然估计的算法，其中概率模型依赖于无法观测的隐藏变量在使用EM算法过程中，可以假设所有的样本都是符合高斯分布12EM算法对图像进行聚类过程中，为了使算法尽快收敛，将高光谱图像的光谱波段进行分组求均值，以此来减少参与计算的光谱波段数量聚类所得到的分割图像通过四联通的方式进行区域划分，并且给这些区域唯一标号得到的带有标号的区域分割图将作为模板，在后续迭代过程中与分类结果进行整合1.2.2监督分类获取聚类结果之后，需要对图像进行监督分类本文在分类过程中使用支持向量机（SVM）方法SVM是目前监督

7、分类使用较多的分类算法，是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，具有较好的泛化能力和学习能力二分的支持向量机最终目标是找到一个（d-1）维的决策面，将测试样本分成两类在使用SVM进行图像分类时，总是将像元的特征通过一个核函数映射到一个较高维度的空间，这样使样本的区分度更大，通常使用高斯核函数（RadialBasisFunction，RBF）在二分问题中，通常将决策函数表示如下：其中：SV表示得到的支持向量集合，对应的αi不等于0使用SVM对多类问题进行分类时，通常采取两种策略一种是一对一（OneAgains