《基於吸引子傳播的多/高光譜遙感影像分類技術研究》是依託吉林大學，由楊晨擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：基於吸引子傳播的多/高光譜遙感影像分類技術研究
- 項目類別：青年科學基金項目
- 項目負責人：楊晨
- 依託單位：吉林大學
項目摘要,結題摘要,
項目摘要
由於多/高光譜遙感圖像固有的特點，傳統的分類方法已不能滿足多/高光譜遙感圖像處理對精度、計算速度與擴展性的要求。吸引子傳播是近年提出的一種快速、高效的聚類算法。本項目針對遙感圖像分類問題和多/高光譜遙感數據的特點，研究以吸引子傳播為基礎，融合模糊統計學、半監督學習、增量學習的遙感影像分類模型及方法。主要內容包括：(1)針對遙感數據普遍存在不確定性和模糊性及高光譜遙感數據自身的特點，建立適應於高光譜遙感圖像分類的模糊統計學光譜相似性度量；(2)研究吸引子傳播與半監督學習、模糊統計學的最佳結合理論及模型，構建基於模糊統計學的距離測度學習算法；(3)在此基礎上，合理融合增量學習，研究增量式半監督學習策略。形成一套吸引子傳播框架下新型高效的多/高光譜遙感圖像分類新方法。以此提高多/高光譜遙感圖像在農林、城市規劃、資源環境調查等方面的套用效果和實用價值。
結題摘要
本項目設計和實現了吸引子傳播框架下的多/高光譜遙感影像分析模型和算法。主要工作如下：將半監督學習與增量學習、減量學習相結合，建立了增/減量式學習策略，提出了增/減量式半監督吸引子傳播模型和算法；該方法充分利用少量先驗知識，建立標記函式，通過增/減量方式選擇與標記樣本最接近的未標記數據進行標記，有效地解決了半監督學習中學習偏差問題和穩定性/可塑性兩難問題，提高了多光譜遙感圖像分類的精度；為如何更加有效地利用僅有的少量標記樣本對大量未標記樣本進行分析提供了新的手段和方法；深化了吸引子傳播和半監督學習在多光譜遙感圖像分類方面的套用研究。針對高光譜遙感影像自身特點及分類問題，利用相關成分分析結合正約束得到白化矩陣，定義了特徵測度的概念，該測度能夠同時衡量單個波段的可分性和波段之間的相關性，構建了基於特徵測度的吸引子傳播模型與算法；該算法能夠有效地選擇出代表波段，減少波段冗餘，從而提高了高光譜遙感影像的分類精度；上述工作深化了吸引子傳播在高光譜遙感影像特徵提取和分類方面的研究，為解決高光譜數據由於訓練樣本相對不足帶來的維數災難現象提供了新的研究思路。利用正約束和負約束，通過構建的判別特徵子空間來學習一個判別度量，有效地降低了波譜之間的相關性，同時擴大了特徵波譜的類間分類性和類內緊湊性，基於此提出了去相關可分離的吸引子傳播聚類模型及算法，這對於提高高光譜遙感影像分類精度具有一定的理論意義，為高光譜遙感圖像信息提取與識別提供更加有效的手段和工具。
