機(jī)器學(xué)習(xí)方法在遙感圖像處理中的應(yīng)用研究.pdf

1、隨著遙感技術(shù)的不斷發(fā)展，我們能獲得的遙感圖像不僅在數(shù)量上呈現(xiàn)爆炸式增長(zhǎng)，而且光譜特征維度也進(jìn)一步增加。然而，人工標(biāo)定遙感圖像費(fèi)時(shí)費(fèi)力，所以需要借助機(jī)器學(xué)習(xí)方法自動(dòng)處理圖像。本文的研究工作主要包括分類算法設(shè)計(jì)和光譜特征學(xué)習(xí)。
　　域調(diào)整(Domain adaptation)方法主要處理原始域(source domain)和目標(biāo)域（target domain）數(shù)據(jù)分布存在一定差異而又相互聯(lián)系的問(wèn)題，同時(shí)，要求兩個(gè)域的分類任務(wù)一致。在遙

2、感圖像分類領(lǐng)域，這個(gè)現(xiàn)象非常普遍，例如同一地區(qū)采集的遙感數(shù)據(jù)，其采集時(shí)間、天氣條件、大氣環(huán)境等可能不同;或是同一遙感探測(cè)器采集的數(shù)據(jù)，也可能來(lái)自不同地點(diǎn)（即便擁有類似的地貌特征）。處理這類數(shù)據(jù)，直接使用基于獨(dú)立同分布假設(shè)的分類模型，一般達(dá)不到令人滿意的效果。在本文中，我們提出了一個(gè)基于輸入輸出空間一致性假設(shè)的域調(diào)整算法。我們從目標(biāo)域中選擇高置信度權(quán)值的半標(biāo)記點(diǎn)，同時(shí)刪除不符合目標(biāo)域數(shù)據(jù)分布的原始域訓(xùn)練點(diǎn)，迭代式的重新訓(xùn)練分類模型。因此，

3、我們將該算法命名為輸入輸出一致性域調(diào)整算法(input-consistent-output domain adaptation，ICODA)。ICODA算法在兩個(gè)實(shí)際超光譜數(shù)據(jù)集(Botswana和KSC)上，進(jìn)行驗(yàn)證評(píng)測(cè)。相關(guān)實(shí)驗(yàn)結(jié)果表明，ICODA算法所獲得的最終分類正確率要比一般傳統(tǒng)分類器要提高不少。
　　另外，在光譜特征基礎(chǔ)上，做簡(jiǎn)單計(jì)算可以得到光譜導(dǎo)數(shù)特征，該特征很容易反映光譜曲線的變化趨勢(shì)?，F(xiàn)有的研究工作，采取不同手段

4、將此特征融入到原始光譜特征中，用于遙感數(shù)據(jù)分類。本文研究在沒(méi)有其它數(shù)據(jù)預(yù)處理手段（e.g.降維、特征混合等）情況下，光譜導(dǎo)數(shù)特征對(duì)傳統(tǒng)分類器有效的條件。在大量實(shí)驗(yàn)基礎(chǔ)上，我們得出在以下兩個(gè)條件下，原光譜特征融入一階導(dǎo)數(shù)特征會(huì)較大提高分類正確率:1）訓(xùn)練集相對(duì)較小;2）訓(xùn)練集質(zhì)量較差，受噪音影響大。
　　同時(shí)，大量免費(fèi)下載的遙感數(shù)據(jù)可用于深度學(xué)習(xí)的無(wú)監(jiān)督特征學(xué)習(xí)。本文在NASA AVIRIS墨西哥灣溢油數(shù)據(jù)上，應(yīng)用深度置信網(wǎng)絡(luò)(DB