特征選擇準則間的關聯(lián)及高分辨率遙感影像類別不平衡問題研究.pdf

1、高分辨率對地觀測遙感影像已經(jīng)廣泛應用于國防、農(nóng)業(yè)、林業(yè)、海洋、國土和環(huán)境監(jiān)測等眾多方面。與中低分辨率遙感影像相比，高空間分辨率遙感影像具有豐富的形狀、結構和紋理信息，基于傳統(tǒng)的像素處理方式已經(jīng)不能滿足高空間分辨率遙感影像的處理需求。近十年發(fā)展起來的面向對象的圖像分析已成為高空間分辨率遙感影像處理的主要方法，但是在面向對象的圖像分析中，除了影像分割困難外，還面臨如何準確描述與表達影像對象內(nèi)容這一問題。從高空間分辨率遙感影像對象中提取的紋理

2、和形狀等影像特征的維數(shù)往往比較高，高維特征將影響分類器性能，因此特征選擇是高空間分辨率遙感影像面向對象圖像分析的一個重要研究內(nèi)容。
　　模式識別領域的特征選擇方法常常評價特征對類別依賴性、類別之間的可分性以及特征之間相關性，但沒有揭示數(shù)據(jù)特性之間潛在的相互影響。本文立足于特征選擇方法中的過濾器模型，針對這一基礎性的問題，度量數(shù)據(jù)特性并揭示數(shù)據(jù)特性間的相互影響。另外，緊緊圍繞“面向高空間分辨率遙感影像對象的特征分析”，通過分析高空間

3、分辨率遙感影像對象集的數(shù)據(jù)特性以解決面向該樣本集監(jiān)督/半監(jiān)督分類中的不平衡問題。本文的主要研究內(nèi)容分為以下兩個方面:
　　1.用可分性準則、依賴性準則和特征間相關性準則來度量相應的數(shù)據(jù)特性，并刻畫數(shù)據(jù)特性間的潛在關系是本文的主要研究內(nèi)容之一。
　　2.在土地覆被/土地利用分類中，現(xiàn)有的研究利用核技巧處理高空間分辨率遙感影像對象組成的線性不可分的樣本集，并忽略類別不平衡問題。這里，不平衡問題是指由偏斜分布引起的有些類別大小過大

4、（稱為大類）而有些類別大小過小（稱為小類）的現(xiàn)象，它將導致分類器過于傾向大類。當標記樣本充足時，從監(jiān)督學習的角度研究樣本集的內(nèi)在可分性，降低線性不可分問題和類別不平衡問題對分類的影響。而當標記樣本不足時，從半監(jiān)督學習的角度充分利用未標記樣本信息，研究樣本集在偏斜分布下的內(nèi)在可分性。
　　本文主要的創(chuàng)新點概括如下:
　　1.定義了不同類型的準則，解析地分析了它們之間的關聯(lián)，以度量不同的數(shù)據(jù)特性并揭示其相互影響。首先假定樣本及其

5、屬于各個類別的條件概率服從多元正態(tài)分布，然后給出三個準則:可分性、冗余性和特征對類別的依賴性準則，并利用多元線性回歸方法建立不同準則之間的關聯(lián)以描述數(shù)據(jù)特性間的相互影響。為了驗證準則的有效性，采用樸素的搜索策略—特征排序—進行監(jiān)督和半監(jiān)督特征選擇。在實際數(shù)據(jù)集上，原始準則產(chǎn)生了比經(jīng)典特征選擇方法(ReliefF和mRMR)差不多甚至更好的分類性能，表明了準則的應用價值。為了證實準則之間的關聯(lián)，由一種準則及準則間關聯(lián)的導出其它類型的準則。

6、在服從正態(tài)分布的仿真數(shù)據(jù)集(artificial dataset)和實際數(shù)據(jù)集上，比較了原始準則與導出準則性能的一致性，證實了準則之間的關聯(lián)。通過這些關聯(lián)，間接地揭示了數(shù)據(jù)特性之間的相互影響。
　　2.提出了基于圖的可分性方法—局部賦權判別投影(locally weighted discriminatingprojection，簡稱為LWDP)。該方法基于流形思想從局部分析不平衡數(shù)據(jù)集，提出了一個泛化的目標函數(shù)作為準則，以處理數(shù)據(jù)

7、集中可能存在的非線性結構;采用相異性而非傳統(tǒng)的相似性（如熱核）度量樣本對之間關系，以更好地保持局部結構并減輕不平衡問題的影響;根據(jù)類別大小和局部類別分布，基于一致性假設提出鄰域并的約束以限制近鄰樣本之間的關系，并把該約束引入權重矩陣以克服不平衡問題和潛在噪聲的影響。在包含大類、中等類和小類的高分辨率航空遙感影像上，與經(jīng)典準則和最新準則相比，LWDP提高了所有類別精度，尤其是小類的分類精度，減輕了類別不平衡問題、線性不可分問題和潛在的噪聲

8、的影響。
　　3.提出了一種基于圖的可分性方法—非對稱局部判別選擇(Asymmetrically LocalDiscriminant Selection，ALDS)。在只有少量標記樣本時，ALDS引入關于類別大小比例的先驗知識，針對性地設計了不對稱的誤分類代價函數(shù)，全面地分析了成對樣本之間關系。這些技巧有助于在半監(jiān)督學習中克服類別不平衡問題，準確評估特征保持幾何性質(zhì)和判別結構的能力，并增強泛化能力。在只包含大類和小類的高分辨率航空