提出了一种高光谱遥感图像半监督分类算法DE-self-training。利用少量标记样本作为初始训练集,基于改进的Self-training算法构建初始分类器,对未标记样本进行预测;然后从分类结果中按一定比例随机选取部分样本,连同其类别标记一起加入...提出了一种高光谱遥感图像半监督分类算法DE-self-training。利用少量标记样本作为初始训练集,基于改进的Self-training算法构建初始分类器,对未标记样本进行预测;然后从分类结果中按一定比例随机选取部分样本,连同其类别标记一起加入训练集中,再用扩大的训练集重新训练分类器,并对剩余的未标记样本进行预测。如此迭代地进行训练-预测-挑选样本扩大训练集过程。同时,在迭代训练过程中,运用基于最近邻域规则的数据剪辑策略对扩大训练集时产生的误标记样本进行过滤,以保证训练集的质量,不断迭代地训练出更精确的分类器,最终使所有未标记样本都获得类别标记。以AVIRIS Indian Pines和Hyperion EO-1 Botswana作为实验数据对DE-self-training算法进行测试,并与基于支持向量机的分类结果作比对。实验表明,DE-self-training算法可以在标记样本数量有限条件下,充分挖掘未标记样本的有用信息,使总体分类精度和Kappa系数都有不同程度的提高。展开更多
高光谱图像数据体现为波段多、地物标签获取困难大、谱信息抗干扰能力弱等特征,容易引起维数灾难、光谱空间变异性等问题,从而影响分类器的分类精度。针对这些问题,本文将负相似信息引入到拉普拉斯支持向量机(Laplacian Support Vector ...高光谱图像数据体现为波段多、地物标签获取困难大、谱信息抗干扰能力弱等特征,容易引起维数灾难、光谱空间变异性等问题,从而影响分类器的分类精度。针对这些问题,本文将负相似信息引入到拉普拉斯支持向量机(Laplacian Support Vector Machine,Lap SVM)的流形正则化项中,提出了一种引入负相似的拉普拉斯支持向量机(Dissimilarity in Laplacian Support Vector Machine,Diss-Lap SVM)分类算法,抑制光谱空间变异对分类结果的影响。同时,本文提出利用线性近邻传播(Linear Neighborhood Propagation,LNP)算法构造图的拉普拉斯矩阵,更有效地引入无标签样本的信息。实验结果表明,本文算法的分类精度得到了提高,特别是对光谱特征相似的地物。展开更多
针对高光谱数据波段多,地物标签获取代价高,带标记的样本数量少,分类过程中容易引起Hudges现象。本文提出一种基于改进的局部全局一致性(learning with local and global consistency,LLGC)算法的半监督分类方法。通过边缘采样法(margin...针对高光谱数据波段多,地物标签获取代价高,带标记的样本数量少,分类过程中容易引起Hudges现象。本文提出一种基于改进的局部全局一致性(learning with local and global consistency,LLGC)算法的半监督分类方法。通过边缘采样法(margin sampling,MS)选取最富含信息量的无标签样本,加入到训练集来扩充训练样本;用KNN算法计算相似度进一步优选无标签样本,去除噪声点和存在的野值点;使用改进的局部全局一致性算法对无标签样本集进行分类标记,得到各类别的分类结果。实验结果表明,本文方法在充分利用无标签样本的情况下,有效地提高了带有少量标签样本的高光谱图像的分类精度。展开更多
文摘提出了一种高光谱遥感图像半监督分类算法DE-self-training。利用少量标记样本作为初始训练集,基于改进的Self-training算法构建初始分类器,对未标记样本进行预测;然后从分类结果中按一定比例随机选取部分样本,连同其类别标记一起加入训练集中,再用扩大的训练集重新训练分类器,并对剩余的未标记样本进行预测。如此迭代地进行训练-预测-挑选样本扩大训练集过程。同时,在迭代训练过程中,运用基于最近邻域规则的数据剪辑策略对扩大训练集时产生的误标记样本进行过滤,以保证训练集的质量,不断迭代地训练出更精确的分类器,最终使所有未标记样本都获得类别标记。以AVIRIS Indian Pines和Hyperion EO-1 Botswana作为实验数据对DE-self-training算法进行测试,并与基于支持向量机的分类结果作比对。实验表明,DE-self-training算法可以在标记样本数量有限条件下,充分挖掘未标记样本的有用信息,使总体分类精度和Kappa系数都有不同程度的提高。
文摘高光谱图像数据体现为波段多、地物标签获取困难大、谱信息抗干扰能力弱等特征,容易引起维数灾难、光谱空间变异性等问题,从而影响分类器的分类精度。针对这些问题,本文将负相似信息引入到拉普拉斯支持向量机(Laplacian Support Vector Machine,Lap SVM)的流形正则化项中,提出了一种引入负相似的拉普拉斯支持向量机(Dissimilarity in Laplacian Support Vector Machine,Diss-Lap SVM)分类算法,抑制光谱空间变异对分类结果的影响。同时,本文提出利用线性近邻传播(Linear Neighborhood Propagation,LNP)算法构造图的拉普拉斯矩阵,更有效地引入无标签样本的信息。实验结果表明,本文算法的分类精度得到了提高,特别是对光谱特征相似的地物。
文摘针对高光谱数据波段多,地物标签获取代价高,带标记的样本数量少,分类过程中容易引起Hudges现象。本文提出一种基于改进的局部全局一致性(learning with local and global consistency,LLGC)算法的半监督分类方法。通过边缘采样法(margin sampling,MS)选取最富含信息量的无标签样本,加入到训练集来扩充训练样本;用KNN算法计算相似度进一步优选无标签样本,去除噪声点和存在的野值点;使用改进的局部全局一致性算法对无标签样本集进行分类标记,得到各类别的分类结果。实验结果表明,本文方法在充分利用无标签样本的情况下,有效地提高了带有少量标签样本的高光谱图像的分类精度。
