原创《基于多特征高光谱遥感影像主动学习方法》：本论文主要论述了遥感影像论文范文相关的参考文献,对您的论文写作有参考作用。
摘 要：文章提出一种基于多特征的高光谱遥感影像主动学习方法,从遥感影像中提取形态学特征,灰度共生纹理和小波纹理描述遥感影像上的空间信息,将获得的多种空间特征和光谱特征相叠加进行主动学习,结合MCLU准则选择最具信息量的样本进行标记,通过计算机和专家的不断交互,获得可靠的分类结果.在公共数据集Pavia University影像上的实验结果表明,文章提出的基于多特征的主动学习方法能够获得比基于光谱的主动学习方法和结合单一空间特征的主动学习方法更好的分类结果.
关键词：主动学习；多特征；高光谱；遥感；影像分类
中图分类号：O433 文献标志码：A 文章编号：2095-2945（2017）33-0077-03
引言
随着机器学习的不断发展,主动学习的策略被用于解决高光谱遥感影像分类中的训练样本获取问题.众多研究者针对高光谱遥感影像主动学习展开了研究.根据样本信息量评定标准的差异,当前主流的主动学习算法可以分为以下几类：（1）基于委员会的算法：该算法基于多个分类器结果的共同决策,选择在多个分类器中预测标记分歧最大的样本进行标记并加入训练样本集.（2）基于边界最大化的算法：基于边界最大化的方式是基于支持向量机（SVM）模型而提出的,它考虑了样本在高维特征空间中和分类超平面的空间位置关系,认为在特征空间中最靠近超平面的点信息量最大.（3）基于后验概率的算法：此类方法使用样本属于各个类别的后验概率来衡量样本的信息量.若一个样本属于两个最可能的类别的概率差异很小,则该样本具有较大的信息量.然而,以上方法往往从单个像素自身的光谱特性出发,忽略了遥感影像上像素间的联系,对遥感影像的空间信息利用不足.
近年来,光谱-空间联合分类方法在遥感影像解译中受到极大的关注.大量的研究表明,遥感影像空间信息丰富,利用影像的空间特征,能够有效地增强高光谱遥感影像的分类精度.因此,文章提出了一种基于多特征的高光谱遥感影像主动学习方法.本研究立足于遥感影像地物分布特点,从高光谱影像中获取多种空间特征,增强不同类别的光谱可分性,从而提升主动学习的性能.该方法旨在利用多种空间特征的互补信息,克服单一空间特征表达能力不足的问题,利用少量的标记样本获得较好的分类结果.为了验证提出方法的有效性,文章采用了公用的高光谱遥感影像进行测试,同时,对比了仅考虑光谱的主动学习方法和结合单一空间特征的主动学习方法.
1 方法描述
文章提出了一种基于多特征的高光谱遥感影像主动学习方法,该方法主要包括两个部分：多特征提取和主动学习.多特征提取的目的在于从影像中提取多种特征对地物空间分布进行描述,从而便于不同类别地物的区分.另一方面,主动学习立足于提取到的空间特征和影像的光谱属性,选择最具信息量的样本进行标记.
1.1 多特征提取
（1）形態学特征
形态学是基于数学形态学提出的用于提取目标结构形态特征的算法.该方法立足于地物在遥感影像上所呈现的多尺度性,使用形态学开重构和闭重构,采取一系列不同大小的形态学算子对获取地物特征,获取多个的形态学轮廓特征全面描述目标的空间结构信息.使用具有不同大小的形态学算子对基影像进行开重构和闭重构,可以获得形态学轮廓.在形态学轮廓的基础上,计算结构算子大小变化而引起的灰度变化,获得差分形态学特征,用于表示地物在不同尺度下的响应：
（1）
其中,MP和MP分别代表在形态算子为λ时,所获得的形态学开运算和闭运算的结果.
（2）灰度共生纹理
灰度共生纹理是基于灰度共生矩阵获取的地物纹理信息.将原始影像映射至特定灰度级,并统计在固定大小窗口中特定方向上的像素间的灰度共生关系,构建灰度共生矩阵表示影像局部的地物分布规律.影像中不同地物的空间分布往往会对应着不同的灰度共生矩阵,可以使用基于灰度共生矩阵的统计测度表示不同地物的纹理和结构特性.在本研究中,采用对比度和同质性作为统计测度来描述影像的纹理特性.对比度表示相邻像素的灰度差异,同质性代表局部区域的灰度变化,计算方式如下：
（2）
其中,g（i,j）代表灰度级为i和j的共生像素出现的频率,Ng代表影像灰度级.
（3）小波纹理
小波纹理可以视为将高光谱影像小波分解后所得到的结果.该方法将原始影像视为一个立体块,并将其分解为{LxLyLz,LxHyLz,LxLyHz,LxHyHz,HxLyLz,HxHyLz,HxLyHz,HxHyHz}共8个子成分,其中L和H分别代表低通子成分和高通子成分,x和y表示的是影像的空间坐标,而z表示的是光谱维.本研究使用影像小波分解后获得的低通子成分和高通子成分作为影像的小波纹理,具体的分解方式如下：
（3）
1.2 主动学习
主动学习旨在利用少量的最具信息量的样本,获取可靠的分类结果,从而降低样本标记所需的代价.其基础理论在于,利用少量精心选择的样本生成的分类器的解译能力并不弱于大量随机选择的样本生成的分类器,从而能够减少需要标记的样本数量,降低标记过程的消耗.主动学习通过计算机的计算能力,从候选样本集中选择最具信息量的样本并交于专家进行标记,将标记后的样本加入训练集重新构建分类器,通过计算机和专家的不断交互,不断扩充分类样本集从而提升分类模型的准确性和鲁棒性.假设存在仅包含n个标记样本的训练集T等于{Xi,yi},其中,Xi为样本的特征向量,而yi等于{1,2,...,K}为样本Xi的标记.此外,存在包含m个未标记样本的候选集U等于{Xi}代表未标记样本集,并且候选样本集中的样本数量远远多于标记样本集中的样本数量.主动学习立足于当前的训练样本集T,计算机通过计算候选集U中样本的不确定性,选择对分类器最有帮助的样本并将其反馈给专家,而专家结合自身的经验及实地调研或目视解译的结果对反馈的样本进行标记.
遥感影像论文参考资料：
结论：基于多特征高光谱遥感影像主动学习方法为大学硕士与本科遥感影像毕业论文开题报告范文和相关优秀学术职称论文参考文献资料下载，关于免费教你怎么写卫星遥感影像图方面论文范文。
