基于半监督集成学习的高光谱图像分类

摘要

高光谱图像分类是图像处理领域的一大研究热点，其研究主要致力于寻找使计算机模拟人类的学习过程，自动化地进行数据分析，智能地学习和识别不同图像目标的技术方法。在高光谱图像中，有标记数据非常稀缺，因为它的获取需要消耗很多的人力物力，而无标记样本海量存在却未得到有效利用。半监督学习理论在这一问题上应运而生，它将无标记样本加入训练过程中，有效的提高了图像分类精度。如何在半监督学习的基础上，结合集成学习理论，利用多个分类器的协同作用来进一步提高分类算法的有效性，是我们的研究重点。本文中，提出了三种高光谱图像分类方法，利用提出的方法在Indian Pines，University of Pavia和Salinas Scene三个高光谱数据集上进行了实验，取得了令人满意的分类精度。主要的工作总结如下：
　　1.提出了一种基于梯度提升决策树的半监督高光谱图像分类方法，该方法将主动学习与半监督学习方法结合起来，在训练模型过程中，选出置信度最高的无标记样本的同时选出最难标记的样本交给专家进行人工标记，扩充有标记样本集，同时利用梯度提升决策树作为分类器，在给定的有标记样本数目较少的情况下尽量提升分类器的性能，提高分类精度。
　　2.提出了一种基于集成多样性的半监督高光谱图像分类方法，该方法从显式、隐式两个层面构造分类器的差异性，首先，利用字典表示，使得输入样本的差异性增加，其次，在训练分类器时，利用无标记样本在基分类器上预测值的不同衡量基分类器之间的差异性，在分类误差最小的同时分类器之间多样性程度最高。在高光谱数据集上的实验证明，提出的方法表现出较高的性能。
　　3.提出了一种基于梯度提升决策树特征提取和半监督学习的高光谱图像分类方法，该方法旨在通过对无标记样本进行不确定性度量以及多样性筛选，选出容易区分且具有代表性的样本，保证所选择的无标记样本对模型性能的提升有更大的作用。同时，利用梯度提升决策树进行特征提取，提高了特征的判别性。
　　本论文的工作得到了国家自然科学基金(No.61272282)和“十三五”预研领域基金(61404520101)项目的资助。

目录

声明

插图索引

表格索引

符号对照表

缩略语对照表

第一章 绪论

1.1研究背景和意义

1.2 国内外研究现状分析

1.3论文的主要工作及内容安排

第二章 高光谱遥感图像分类算法

2.1引言

2.2基于主动学习(AL)算法的高光谱图像分类

2.3基于半监督学习(SSL)算法的高光谱图像分类

2.4 基于集成学习算法的高光谱图像分类

2.5 本章小结

第三章 基于梯度提升决策树的半监督高光谱图像分类

3.1引言

3.2 基于梯度提升决策树算法的高光谱图像分类方法

3.3 基于梯度提升决策树的半监督高光谱图像分类

3.4 实验设计与分析

3.5本章小结

第四章 基于集成多样性的半监督高光谱图像分类

4.1引言

4.2相关工作

4.3基于集成多样性的半监督高光谱图像分类

4.4实验结果与分析

4.5本章小结

第五章 基于梯度提升决策树特征提取和半监督学习的分类算法

5.1引言

5.2梯度提升决策树特征提取算法

5.3 基于梯度提升决策树特征提取和半监督学习的分类算法

5.4实验结果与分析

5.5 本章小结

第六章 总结与展望

6.1本文工作总结

6.2 未来展望

参考文献

致谢

作者简介