版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、近年來遙感技術發(fā)展十分迅速,高光譜圖像得到了廣泛地研究與應用。圖像分類是高光譜數(shù)據分析處理的一項基本內容。但是高光譜圖像高維的數(shù)據特點、有限的帶標簽樣本給數(shù)據分析和處理帶來很大的困難,在分類過程中容易引起維數(shù)災難。并且,獲得有標簽樣本需要大量人力物力,傳統(tǒng)的監(jiān)督分類方法表現(xiàn)出了很大的局限性。因此,同時利用有標簽樣本和無標簽樣本來訓練分類器的半監(jiān)督方法成為高光譜圖像分類研究的熱點。半監(jiān)督分類需要充分利用無標簽樣本所包含的光譜和空間信息來訓
2、練推廣能力好、分類精度高的分類器。三重訓練和自訓練是兩種常用的半監(jiān)督分類算法。對于三重訓練算法,在初始訓練樣本很少的情況下,所訓練的三個分類器之間沒有明顯的差異性,這制約著算法分類精度的提高。對于傳統(tǒng)自訓練算法,在對無標簽樣本進行標記的過程中容易發(fā)生誤標現(xiàn)象,導致算法性能下降。基于以上問題,本文在前人研究的基礎上對高光譜圖像半監(jiān)督分類做了深入的研究與探索,分別對三重訓練和自訓練分類算法進行了改進。本文的主要工作如下:
1、提出
3、基于主動學習和差分進化算法的三重訓練分類。在所提算法框架中首先通過主動學習算法選取一定量的最有價值的無標簽樣本,然后在訓練每個分類器之前通過差分進化算法在所選取的無標簽樣本的基礎上產生新樣本。這些新產生的樣本將被標記并與原來的有標簽樣本一起初始化分類器。實驗結果表明,該方法可以充分地利用無標簽樣本,并且在有標簽數(shù)據很少的情況下能夠明顯提高分類精度和運行效率。
2、提出基于空間-光譜聚類的半監(jiān)督分類。該方法首先通過Gabor濾波
4、提取空間信息并將其與光譜信息結合,然后利用主動學習算法選取一定數(shù)目的最有價值的無標簽樣本作為可能加入訓練集的候選樣本。在對無標簽樣本進行標記的過程中借助了自訓練過程,采用基于概率模型的支持向量機與聚類算法相結合的方式,并且在譜聚類中引入了空間幾何信息。同時由于支持向量機的概率輸出形式可以提供任一像元屬于某一類別的概率,算法通過設置一個概率閾值將基于概率模型的支持向量機與聚類算法結合,來標記無標簽樣本。仿真結果表明,所提出的算法可以對無標
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 高光譜遙感圖像半監(jiān)督分類方法的研究.pdf
- 基于稀疏圖的小樣本高光譜圖像半監(jiān)督分類算法研究
- 基于稀疏圖的小樣本高光譜圖像半監(jiān)督分類算法研究.pdf
- 空譜聯(lián)合高光譜遙感圖像半監(jiān)督分類.pdf
- 基于半監(jiān)督集成學習的高光譜圖像分類.pdf
- 基于半監(jiān)督學習的高光譜圖像分類方法研究.pdf
- 高光譜溢油圖像分類算法研究.pdf
- 基于譜域-空間特征的半監(jiān)督高光譜圖像分類方法研究.pdf
- 高光譜圖像空譜聯(lián)合監(jiān)督分類算法及軟件系統(tǒng).pdf
- 面向高光譜圖像的空譜核半監(jiān)督圖聚類算法研究.pdf
- 高光譜圖像特征學習與分類算法研究.pdf
- 高光譜圖像NRS分類算法GPU加速研究.pdf
- 高光譜圖像分類研究.pdf
- 高光譜圖像特征提取與分類算法研究.pdf
- 基于高斯過程的高光譜圖像分類算法研究.pdf
- 基于多分類器融合的高光譜圖像分類算法研究.pdf
- 基于超像素的高光譜圖像分類算法研究.pdf
- 基于稀疏表示的高光譜圖像分類算法研究.pdf
- 高光譜遙感圖像數(shù)據降維和分類算法研究.pdf
- 結合近鄰選擇的高光譜圖像分類算法研究.pdf
評論
0/150
提交評論