基于集成學(xué)習(xí)的高光譜遙感影像分類.pdf

1、伴隨著高光譜成像光譜儀像向更高空間和光譜分辨率的快速發(fā)展,對(duì)現(xiàn)有的數(shù)據(jù)處理方法提出了新的挑戰(zhàn),需要發(fā)展新的數(shù)據(jù)處理方法。作為機(jī)器學(xué)習(xí)中最有效的方法之一,集成學(xué)習(xí)使用多個(gè)學(xué)習(xí)機(jī)(算法)來解決同一問題,能夠顯著地提高學(xué)習(xí)系統(tǒng)的準(zhǔn)確性和穩(wěn)定性。本文從集成學(xué)習(xí)的理論基礎(chǔ)出發(fā),將集成學(xué)習(xí)引入到高光譜遙感影像分類中,系統(tǒng)研究了旋轉(zhuǎn)森林、監(jiān)督/半監(jiān)督特征提取集成分類和光譜-空間特征集成分類等問題。論文主要內(nèi)容和結(jié)論如下:
　　1)將旋轉(zhuǎn)森林應(yīng)用

2、于高光譜遙感影像分類,運(yùn)用了不同特征提取算法,實(shí)現(xiàn)了基于獨(dú)立成分分析、最大噪聲分離和局部線性判別分析的旋轉(zhuǎn)森林,并對(duì)應(yīng)用不同特征提取算法的旋轉(zhuǎn)森林分類器的性能進(jìn)行分析。試驗(yàn)結(jié)果表明旋轉(zhuǎn)森林的性能優(yōu)于常規(guī)集成學(xué)習(xí)算法(Bagging等),基于主成分分析和獨(dú)立成分分析特征提取算法更為有效。
　　2)將半監(jiān)督/監(jiān)督概率主成分分析用于高光譜遙感影像分類特征提取,從不同數(shù)據(jù)、不同數(shù)量的標(biāo)記樣本和未標(biāo)記樣本、計(jì)算時(shí)間等方面對(duì)半監(jiān)督/監(jiān)督概率主

3、成分分析與其他高光譜遙感影像特征提取算法進(jìn)行比較分析,結(jié)果證明半監(jiān)督/監(jiān)督概率主成分分析提取出來的分類特征能夠得到精度較高的分類結(jié)果。在此基礎(chǔ)上,提出了通過半監(jiān)督概率主成分分析、監(jiān)督概率主成分分析和無參數(shù)加權(quán)特征提取三種監(jiān)督/半監(jiān)督特征提取算法,構(gòu)建監(jiān)督/半監(jiān)督特征提取的并行/串行集成分類策略,分類結(jié)果表明基于監(jiān)督/半監(jiān)督特征提取集成策略能夠有效提高高光譜遙感影像分類精度。
　　3)建立了基于半監(jiān)督特征提取和圖像分割、馬爾科夫模型

4、的光譜-空間特征綜合分類模型,圖像分割分別選擇聚類分割、分水嶺分割和Mean-shift分割。馬爾科夫模型通過最小化局部能量函數(shù),采用模擬退火算法,能夠有效的使鄰近像元聚集。光譜-空間特征綜合模型使高光譜遙感影像分類精度得到顯著改善,并且能夠降低遙感影像分類的噪聲,分類結(jié)果更接近于真實(shí)地物分布。
　　4)結(jié)合理論研究,研發(fā)了高光譜遙感影像集成學(xué)習(xí)分類系統(tǒng),該系統(tǒng)包含遙感影像基本處理、分類、聚類、分割、訓(xùn)練層和特征層集成、并行/串行