基于域自适应学习的高光谱图像分类

摘要

在过去几十年中，由于光谱传感器设备和信息处理技术的不断更新换代，为遥感图像研究者提供了更为丰富的空间信息、谱带信息和时域信息。具有较高的光谱分辨率的高光谱图像的出现为我们开辟了新的应用――高光谱图像分类（Hyperspectral Image Classification），即以像素点为单位，利用每个像素点上所具有的高维光谱信息，以某种特定的方法进行类标标记，从而完成对图像中地物的分类任务。高光谱图像分类目前已广泛应用于军事领域和民用领域。
　　传统的监督学习分类方法虽然在高光谱分类领域取得了较好的分类精度，但是这类方法都普遍依赖于训练样本，并且获取高光谱图像类标并不容易，往往需要消耗较高的成本。域自适应算法则是将在已知区域训练好的分类模型迁移到未知区域，这样就能避免重复地标记训练样本，从而节省大量的人力和物力。本文分别从两个不同角度出发，提出了两种域自适应算法：首先从分类器角度为出发点，提出了主动多核域自适应分类算法。不同的核函数则意味着不同的“映射”方式，而多数情况下我们并不知道哪一种核函数更适用于目前的数据集，所以我们采用核的线性加权求和的方法，解决了核函数选择问题，并结合最大平均差异使多核分类器具备了基本的域自适应能力；而主动学习让多核分类器在较少的训练样本前提下得到更高的分类精度。其次，从数据域的角度出发，提出了更加直观的算法――基于核对齐的域自适应分类算法；根据现有理论，要匹配源域和目标域的概率分布，只需要匹配二者的核矩阵即可；这时问题就转化为对域的核矩阵变换，首先对目标域核矩阵进行特征分解得到的特征值和特征向量，然后将特征值矩阵松弛为一个待确定的变量，并利用Nystr¨om方法求解，再利用特征系统推断方法推断出源域的特征向量矩阵，最后利用前面得到的两个变量计算跨域核并在这个核上训练支持向量机。
　　通过在两个高光谱图像数据库上的实验可以看出，在只有少量训练样本情况下，主动多核域自适应分类算法的精度优于其他普通的域自适应分类算法；基于核对齐的域自适应分类算法则在源域和目标域之间拥有较为灵活的分类能力。

目录

封面

声明

中文摘要

英文摘要

插图索引

表格索引

符号对照表

缩略语对照表

目录

第一章 绪论

1.1 研究背景及意义

1.2 域自适应方法

1.3 研究内容及章节安排

第二章 学习模型概述

2.1 引言

2.2 支持向量机

2.3 多核学习

2.4 主动学习

2.5 本章小结

第三章 主动多核域自适应高光谱图像分类

3.1 引言

3.2 具有域自适应能力的多核分类器

3.3 主动多核域自适应算法

3.4 高光谱图像分类性能评价指标

3.5 实验结果及分析

3.6 本章小结

第四章 基于核对齐的域自适应高光谱图像分类

4.1 引言

4.2 特征系统推断

4.3 基于核对齐的域自适应算法

4.4 实验结果及分析

4.5 本章小结

第五章 总结和展望

5.1 总结

5.2 展望

参考文献

致谢

作者简介