《基於半監督多核SVM和混合特徵集的高光譜遙感影像分類》是依託中國礦業大學，由譚琨擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：基於半監督多核SVM和混合特徵集的高光譜遙感影像分類
- 項目類別：青年科學基金項目
- 項目負責人：譚琨
- 依託單位：中國礦業大學
項目摘要,結題摘要,
項目摘要
半監督SVM是當前模式識別領域的研究熱點課題之一，用於高光譜遙感影像分類具有明顯的優越性。本項目在半監督學習與多核SVM理論的基礎上，利用半監督多核SVM最佳化無標識樣本學習問題，並引入主動學習和增量學習，深入研究半監督多核SVM用於高光譜遙感影像分類的算法。通過探索隱半馬爾科夫模型、小波紋理、數學形態學等空間特徵和上下文信息提取方法，構建空間特徵和光譜特徵集進行無標識樣本的半監督多核SVM分類。將先進的並行計算機技術引用於分類器算法中，以多CPU進行多核SVM的分散式計算，為解決海量高光譜遙感影像數據的處理提供解決方案。組合空間特徵和和光譜信息進行高光譜遙感影像分類是本課題的出發點，改進的半監督多核SVM分類器是主要的創新點，研究成果能促進遙感科學、機器學習、模式識別等學科的交叉融合，能有效提高高光譜遙感影像分類和信息處理的精度和可靠性，推進高光譜遙感信息處理的套用。
結題摘要
本項目以國內外一些有代表性的機載高光譜數據為主要處理對象，深入研究利用半監督SVM組合空間特徵和光譜信息進行高光譜遙感影像分類方法，針對高光譜遙感影像的小樣本問題（特別是缺乏訓練樣本），設計合適的主動學習策略，選擇最有價值的樣本進行半監督SVM分類，以空間信息提取的空間結構信息與光譜信息結合來進行半監督SVM分類，達到提高分類器分類精度、學習效率和泛化能力。 （1）鑒於傳統自訓練半監督分類中未標記樣本的選擇主要是基於某一類整體進行選擇的策略，容易造成訓練樣本的不平衡，提出了一種基於樣本對樣本的未標記樣本選擇策略，並結合該策略構建了基於自訓練的半監督支持向量機高光譜影像分類算法。通過高光譜影像數據對所提出的算法的試驗表明：該半監督算法具有較好的穩定性和有效地的改善了少樣本情況下支持向量機的分類性能。 （2）提出了一種基於特徵選擇的光譜-空間SVM分類方法。通過三個標準的高光譜遙感影像數據進行了驗證，結果表明，所提出的方法是有效及穩定的。通過對光譜-空間分類方法的研究發現，對高光譜遙感數據進行降維處理，同時增加空間特徵，既可以解決高光譜數據波段之間相關性強、維數災難的問題，同時增加的空間特徵對提高數據的分類準確率有重要作用。 （3）將空間信息引入到半監督分類中未標記樣本的選擇過程，有效地解決了因為傳統相似性度量方法在高光譜影像中的不適用性，以及對半監督分類過程中未標記樣本選擇的誤差累積問題，同時通過空間信息有效地擴大了訓練樣本空間分布信息，提高了分類器訓練過程中樣本的信息量。實驗結果表明，所提出的結合空間信息進行樣本增選的半監督高光譜影像分類算法能夠有效提高高光譜影像的分類精度。 （4）提出一種新的基於空間領域信息的樣本確定方法。新算法將非標記樣本的圓形空間鄰域信息與多分類器融合技術結合起來得到了很好的效果，並通過實驗得到了證明。圓形空間鄰域信息的使用能夠幫助從所有類別當中選出可能性較大的類別並形成一個子集合，這樣排除干擾信息的同時降低了分類器的判斷難度；通過多元邏輯回歸分類器與K鄰近分類器的融合避免了精確度不高的問題。
