基于集成學習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。作為機器學習中最有效的方法之一,集成學習使用多個學習機(算法)來解決同一問題,能夠顯著地提高學習系統(tǒng)的準確性和穩(wěn)定性。本文從集成學習的理論基礎出發(fā),將集成學習引入到高光譜遙感影像分類中,系統(tǒng)研究了旋轉森林、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)容和結論如下:
　　1)將旋轉森林應用

2、于高光譜遙感影像分類,運用了不同特征提取算法,實現(xiàn)了基于獨立成分分析、最大噪聲分離和局部線性判別分析的旋轉森林,并對應用不同特征提取算法的旋轉森林分類器的性能進行分析。試驗結果表明旋轉森林的性能優(yōu)于常規(guī)集成學習算法(Bagging等),基于主成分分析和獨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)量的標記樣本和未標記樣本、計算時間等方面對半監(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行比較分析,結果證明半監(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果。在此基礎上,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)加權特征提取三種監(jiān)督/半監(jiān)督特征提取算法,構建監(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,分類結果更接近于真實地物分布。
　　4)結合理論研究,研發(fā)了高光譜遙感影像集成學習分類系統(tǒng),該系統(tǒng)包含遙感影像基本處理、分類、聚類、分割、訓練層和特征層集成、并行/串行