本文關鍵詞： 高光譜圖像 半監(jiān)督分類 支持向量機 主動學習 差分進化　出處：《哈爾濱工程大學學報》2017年08期 　論文類型：期刊論文

【摘要】：針對高光譜數據維數高、有標簽樣本少等特點,采用半監(jiān)督分類利用未標記樣本信息提高高光譜圖像分類精度。主動學習研究訓練樣本的選擇方法,以少量的標記樣本得到盡可能好的泛化能力。本文提出了一種結合主動學習算法的半監(jiān)督分類算法。該方法使用支持向量機作為基本的學習模型,通過主動學習方法選取訓練樣本,以偽標記的形式加入到分類器的訓練中,結合驗證分類器迭代選出置信度較高的偽標記樣本,通過差分進化算法交叉變異偽標記樣本擴充標記樣本群。在兩個數據集上進行仿真實驗,與傳統分類算法相比,所提算法的總體分類精度分別提高了1.97%、0.49%,表明該算法能夠有效地提升主動學習樣本選擇的效率,在有限帶標記樣本情況下提高了分類器精度。
[Abstract]:In view of the high dimension of hyperspectral data and the small number of labeled samples, semi-supervised classification is used to improve the accuracy of hyperspectral image classification by using unlabeled sample information. In this paper, a semi-supervised classification algorithm combining active learning algorithm is proposed, which uses support vector machine as the basic learning model. The training sample is selected by active learning method and added to the training of classifier in the form of pseudo-label, and the pseudo-label sample with high confidence is selected by iterative verification classifier. Through the differential evolution algorithm cross-mutation pseudo-label samples to expand the tagged sample group. Two data sets on the simulation, compared with the traditional classification algorithm. The overall classification accuracy of the proposed algorithm is improved by 1.97 and 0.49 respectively, which shows that the algorithm can effectively improve the efficiency of active learning sample selection. The accuracy of the classifier is improved in the case of finite labeled samples.
【作者單位】： 哈爾濱工程大學信息與通信工程學院;
【基金】：國家自然科學基金項目(61675051) 黑龍江省自然科學基金項目(F201409)
【分類號】：TP751
【正文快照】： 網絡出版地址:http://www.cnki.net/kcms/detail/23.1390.u.20170426.1801.068.html隨著高光譜成像技術及相關數據的不斷發(fā)展,高光譜圖像分類技術已成為遙感領域的研究熱點問題[1-2]。相對于其他遙感圖像,高光譜圖像高維非線性、波段間相關性高以及訓練樣本標記難以獲得等特點

【相似文獻】

相關期刊論文 前10條

1 陳雨時;張曄;張鈞萍;;基于線性模型最優(yōu)預測的高光譜圖像壓縮[J];南京航空航天大學學報;2007年03期

2 諶德榮;宮久路;陳乾;曹旭平;;基于樣本分割的快速高光譜圖像異常檢測支持向量數據描述方法[J];兵工學報;2008年09期

3 蒲曉豐;雷武虎;張林虎;蔣奇材;;基于Fukunaga-Koontz變換的高光譜圖像異常檢測[J];紅外技術;2010年04期

4 成寶芝;郭宗光;;高光譜圖像波段間相關特性研究[J];大慶師范學院學報;2013年06期

5 楊龍;易宏杰;李因彥;;遙感高光譜圖像赤潮識別[J];傳感器世界;2007年05期

6 汪倩;陶鵬;;結合空間信息的高光譜圖像快速分類方法[J];微計算機信息;2010年21期

7 王立國;孫杰;肖倩;;結合空-譜信息的高光譜圖像分類方法[J];黑龍江大學自然科學學報;2010年06期

8 付歡;龍海南;韓曉霞;;基于冗余字典的高光譜圖像的稀疏分解[J];河北軟件職業(yè)技術學院學報;2013年04期

9 耿修瑞,張霞,陳正超,張兵,鄭蘭芬,童慶禧;一種基于空間連續(xù)性的高光譜圖像分類方法[J];紅外與毫米波學報;2004年04期

10 張綺瑋;機載高光譜遙感圖像處理軟件系統[J];紅外;2005年02期

相關會議論文 前5條

1 張兵;王向偉;鄭蘭芬;童慶禧;;高光譜圖像地物分類與識別研究[A];成像光譜技術與應用研討會論文集[C];2004年

2 王成;何偉基;陳錢;;基于波段重組和小波變換的高光譜圖像嵌入式壓縮方法[A];黑龍江、江蘇、山東、河南、江西 五省光學（激光）聯合學術‘13年會論文（摘要）集[C];2013年

3 孫蕾;羅建書;;基于分類預測的高光譜遙感圖像無損壓縮[A];第一屆建立和諧人機環(huán)境聯合學術會議（HHME2005）論文集[C];2005年

4 張曉紅;張立福;王晉年;童慶禧;;HJ-1A衛(wèi)星高光譜遙感圖像質量綜合評價[A];第八屆成像光譜技術與應用研討會暨交叉學科論壇文集[C];2010年

5 蒲曉豐;雷武虎;黃濤;王迪;;基于穩(wěn)健背景子空間的高光譜圖像異常檢測[A];中國光學學會2010年光學大會論文集[C];2010年

相關博士學位論文 前10條

1 普晗曄;高光譜遙感圖像的解混理論和方法研究[D];復旦大學;2014年

2 賀智;改進的經驗模態(tài)分解算法及其在高光譜圖像分類中的應用[D];哈爾濱工業(yè)大學;2014年

3 葉珍;高光譜圖像特征提取與分類算法研究[D];西北工業(yè)大學;2015年

4 馮婕;基于軟計算和互信息理論的遙感圖像地物分類[D];西安電子科技大學;2014年

5 曲海成;面向光譜解混的高光譜圖像快速處理技術研究[D];哈爾濱工業(yè)大學;2016年

6 王忠良;基于線性混合模型的高光譜圖像壓縮感知研究[D];西北工業(yè)大學;2015年

7 賀霖;高光譜圖像自動目標檢測技術研究[D];西北工業(yè)大學;2007年

8 周爽;蟻群算法在高光譜圖像降維和分類中的應用研究[D];哈爾濱工業(yè)大學;2010年

9 高恒振;高光譜遙感圖像分類技術研究[D];國防科學技術大學;2011年

10 徐速;基于壓縮感知的高光譜圖像稀疏解混方法研究[D];重慶大學;2015年

相關碩士學位論文 前10條

1 王啟聰;高光譜圖像分類的GPU并行優(yōu)化研究[D];南京理工大學;2015年

2 程凱;無先驗信息的高光譜圖像小目標檢測算法研究[D];蘇州大學;2015年

3 吳蓓芬;偏振高光譜圖像場景仿真及分類方法研究[D];哈爾濱工業(yè)大學;2015年

4 霍瑩;高光譜CCD機載相機檢測設備研制[D];長春理工大學;2015年

5 王磊;基于張量的高光譜遙感圖像壓縮研究[D];復旦大學;2014年

6 鄔文慧;空譜聯合高光譜遙感圖像半監(jiān)督分類[D];西安電子科技大學;2014年

7 王依萍;基于主動學習的高光譜圖像分類方法研究[D];西安電子科技大學;2014年

8 劉嘉慧;基于稀疏表示的高光譜圖像分類和解混方法研究[D];西安電子科技大學;2014年

9 王U喺，

本文編號：1447163