结合聚类算法的高光谱图像半监督分类研究

摘要

随着成像光谱技术的发展，高光谱遥感技术在众多领域得到了发展和应用。高光谱遥感技术将传统图像空间维和光谱维融合到一起，具有丰富的地物光谱信息，因而高光谱图像地物的分类和聚类成为了高光谱数据处理的两大主干方向。当今的高光谱图像的分类和聚类技术往往是孤立发展的，融合二者优势的技术或算法并不多见。此外，高光谱图像的半监督分类往往忽视了聚类特征中所隐含的高信息量样本。为此提出了结合聚类算法的高光谱图像半监督分类算法，本文所做工作描述如下:
　　首先，阐述了高光谱图像在遥感技术领域的重要作用，分析高光谱图像的成像理论及其数据特点，回顾并简述了高光谱图像分类与聚类技术的发展历史与现状，说明了课题研究的背景与意义。
　　其次，介绍了高光谱图像聚类分析的运算流程与评价标准，以及典型的聚类算法，然后基于高光谱图像的实际应用环境提出了几点改进思路，为聚类的深度改进提供了理论基础。通过仿真实验探索出了最适合高光谱数据环境的聚类算法，并根据改进思路对传统聚类算法进行改进，验证了预聚类算法对于高光谱数据聚类质量具有改善作用。
　　再次，介绍了高光谱图像分类分析的算法流程与评价标准，对几种典型的监督、半监督算法进行了简介。着重介绍了基于空间信息的高光谱图像分类算法与孪生支持向量机算法，为后文的算法改进提供了理论基础与原始算法。通过仿真实验，验证了大量无标签样本对于高光谱图像的分类有助力作用，并且验证了空间信息与光谱信息的级联能够明显提高高光谱图像的分类精度。
　　然后，提出了基于聚类信息指导的高光谱图像空-谱半监督分类算法。首先通过Gabor滤波器提取空间信息，使用主动学习的思想筛选信息量高的候选样本，接着使用深度改进的K_Medoids算法对候选样本进行筛选，然后重新投放到有标签样本的数据集中，从而通过聚类信息的指导提高了概率模型SVM的分类精度。
　　最后，提出了融合聚类特征的高光谱图像半监督协同分类算法。首先将高光谱数据经过深度改进的K_Means算法进行聚类特征提取，然后与最小二乘孪生支持向量机组合形成协同训练模型，该模型由聚类损耗函数、分类一致函数、分类差异性、样本差异性四个指数所构成的目标函数所约束。结合聚类特征的协同训练使聚类与分类深度融合并取长补短，从而有效的提高了半监督分类精度。

目录

声明

摘要

第1章绪论

1．1课题研究背景及意义

1．2．1高光谱遥感技术的发展

1．2．2高光谱图像数据特点

1．3高光谱图像聚类研究现状

1．4高光谱图像分类研究现状

1．5本文的研究内容与组织结构

第2章高光谱遥感图像聚类理论

2．1．1高光谱图像聚类流程

2．1．2高光谱图像聚类精度评价方法

2．2传统聚类技术

2．2．1基于划分的聚类算法

2．2．2基于层次的聚类算法

2．2．3基于密度的聚类算法

2．3高光谱图像聚类的改进思路

2．3．1预聚类算法

2．3．2变换像元距离度量标准

2．4仿真结果与分析

2．5本章小结

第3章高光谱遥感图像分类理论

3．1高光谱图像分类理论

3．1．1高光谱图像分类流程

3．1．2分类精度评价方法

3．2有监督分类方法

3．3半监督分类方法

3．4基于空间信息的分类算法

3．4．1基于核函数的空间信息分类算法

3．4．2基于SVM的空间信息分类算法

3．5孪生SVM相关理论

3．5．1线性可分的孪生SVM

3．5．2非线性可分的孪生SVM

3．6仿真结果与分析

3．7本章小结

第4章基于聚类信息指导的高光谱图像空-谱半监督分类算法

4．1引言

4．2基本理论算法

4．2．1空间信息辅助方式

4．2．2 K_Medoids聚类算法的深度改进

4．2．3基于概率模型的SVM

4．2．4基于Gabor滤波的空间特征提取

4．3结合改进聚类算法与主动学习的高光谱图像半监督分类

4．4仿真结果与分析

4．5本章小结

第5章融合聚类特征的高光谱图像半监督协同分类算法

5．1引言

5．2基本理论算法

5．2．1最小二乘孪生SVM

5．2．2协同训练理论

5．2．3 K_Means聚类算法的深度改进

5．3融合聚类特征的高光谱半监督协同分类

5．4仿真结果与分析

5．5本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢