光电工程
光電工程
광전공정
OPTO-ELECTRONIC ENGINEERING
2012年
11期
88-94
,共7页
高光谱图像%协同学习%半监督学习%分类
高光譜圖像%協同學習%半鑑督學習%分類
고광보도상%협동학습%반감독학습%분류
高光谱遥感图像中包含有大量的高维数据,传统的有监督学习算法在对这些数据进行分类时要求获取足够多的有标记样本用于分类器的训练.然而,对高光谱图像中大量的复杂地物像元所属类别进行准确标注通常需要耗费极大的人力.在本文中,我们提出了一种基于半监督学习的光谱和纹理特征协同学习(STF-CT)--法,利用协同学习机制将高光谱图像光谱特征和空间纹理特征这两种不同的特征结合起来,用于小训练样本集下的高光谱图像数据分类问题.STF-CT算法充分利用了高光谱图像的光谱和纹理特征这两个独立视图,构建起一种有效的半监督分类方法,用于提升分类器在小训练样本集情况下的分类精度.实验结果表明该算法在小训练样本集下的高光谱地物分类问题上具有很好的效果.
高光譜遙感圖像中包含有大量的高維數據,傳統的有鑑督學習算法在對這些數據進行分類時要求穫取足夠多的有標記樣本用于分類器的訓練.然而,對高光譜圖像中大量的複雜地物像元所屬類彆進行準確標註通常需要耗費極大的人力.在本文中,我們提齣瞭一種基于半鑑督學習的光譜和紋理特徵協同學習(STF-CT)--法,利用協同學習機製將高光譜圖像光譜特徵和空間紋理特徵這兩種不同的特徵結閤起來,用于小訓練樣本集下的高光譜圖像數據分類問題.STF-CT算法充分利用瞭高光譜圖像的光譜和紋理特徵這兩箇獨立視圖,構建起一種有效的半鑑督分類方法,用于提升分類器在小訓練樣本集情況下的分類精度.實驗結果錶明該算法在小訓練樣本集下的高光譜地物分類問題上具有很好的效果.
고광보요감도상중포함유대량적고유수거,전통적유감독학습산법재대저사수거진행분류시요구획취족구다적유표기양본용우분류기적훈련.연이,대고광보도상중대량적복잡지물상원소속유별진행준학표주통상수요모비겁대적인력.재본문중,아문제출료일충기우반감독학습적광보화문리특정협동학습(STF-CT)--법,이용협동학습궤제장고광보도상광보특정화공간문리특정저량충불동적특정결합기래,용우소훈련양본집하적고광보도상수거분류문제.STF-CT산법충분이용료고광보도상적광보화문리특정저량개독립시도,구건기일충유효적반감독분류방법,용우제승분류기재소훈련양본집정황하적분류정도.실험결과표명해산법재소훈련양본집하적고광보지물분류문제상구유흔호적효과.
