《高光譜遙感影像多特徵最佳化模型與協同表示分類》是依託河海大學，由蘇紅軍擔任項目負責人的面上項目。
基本介紹
- 中文名：高光譜遙感影像多特徵最佳化模型與協同表示分類
- 項目類別：面上項目
- 項目負責人：蘇紅軍
- 依託單位：河海大學
項目摘要,結題摘要,
項目摘要
高光譜遙感影像分類目前在特徵選擇、小樣本、分類精度可靠性等方面仍存在許多需要解決的問題；群體智慧型最佳化和協同表示作為新型機器學習算法，可為高光譜影像的分類研究提供新的工具。本項目擬在群體智慧型最佳化和協同表示理論的基礎上，研究高光譜影像多特徵最佳化模型與協同表示高可信分類方法。針對高光譜特徵提取和套用目標特點，基於信息測度研究高光譜影像特徵質量的評價方法，利用levy飛行和隨機慣性權重改進螢火蟲最佳化算法，研究高光譜影像的多特徵最佳化模型；分析小樣本的分布特徵，基於半監督學習提升小樣本的數量，基於主動學習提升小樣本的質量，研究全局/局域協同表示的樣本優選方法；通過構建多分類器集合，基於分類器多樣性和融合規則研究協同表示引導的多分類器動態集成方法；實現多特徵、小樣本情況下高光譜影像的高可信分類。本項目成果有望拓展高光譜遙感影像分類的理論方法，推動高光譜遙感理論與技術的發展，促進高光譜遙感的深入套用。
結題摘要
高光譜遙感影像分類目前在特徵選擇、小樣本、分類精度可靠性等方面仍存在許多需要解決的問題，為解決以上問題，課題組在群體智慧型最佳化和協同表示理論的基礎上，研究了高光譜影像多特徵最佳化模型與協同表示高可信分類方法。針對高光譜特徵提取和套用目標特點，基於信息測度研究了高光譜遙感特徵質量的評價方法，利用levy飛行和隨機慣性權重改進螢火蟲最佳化算法，提出了高光譜影像的多特徵最佳化模型；基於小樣本的分布特徵，提出了全局/局域協同表示的樣本優選方法；基於協同表示分類器構建多分類器集合，提出了協同表示引導的多分類器動態集成方法；實現多特徵、小樣本情況下高光譜影像的高可信分類。本課題提出的方法具有較好的性能，進一步拓展了高光譜遙感影像分類的理論方法，提升了高光譜遙感分類精度的可靠性，為後續高光譜遙感的深入套用奠定了堅實理論基礎。圍繞項目研究，共發表學術論文15篇，其中在IEEE Transactions on Geoscience and Remote Sensing IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing、IEEE Geoscience and Remote Sensing Letters等國際權威期刊發表SCI論文8篇，在《武漢大學學報信息科學版》發表研究論文1篇，在國際會議發表論文3篇，協助培養博士生2人，獨立培養碩士生9人，獲得國家發明專利4項，申請國家發明專利2項。
