遥感图像分层空间相似度的半监督分类论述.docVIP

遥感图像空间相似半监督分类 ：的变形，空间相似，广泛应用于遥感图像分类。遥感图像点往往是同一类的这一特征进行分类满足这种假设，了构造空间和光谱的标记样本本文构造空间核心了两种相似函数。多高光谱数据上进行试验。目前遥感图像分类的半监督方法本文提出的方法了空间相似度因此获得更高的分类精度和更平滑的分类图。 ：分类图像分割，方法向量机 遥感影像范围大，重访快和地理条件限制的优点，所以遥感影像在地球科学发挥重要的角色。使能够用于，将影像转换为覆盖图。分类方法结果更加精确所以成为了主要的分类方法。，监督分类方法结果取决于对标记样本的和数量如果足够的样本图像潜在的概率分布函数就不能很好的描述[1]。提高模型质量的方法是将许多未标记的样本和包括标记像素的样本结合起来考虑。这种叫做半监督学习方法Semisupervised learning, SSL）。 SSL一种了研究并且在机器学习领域广泛的方法2]。遥感领域，有效利用未标记的样本中的曲线，所以该方法被广泛3]。众多成功遥感的中直推式向量机方法用半监督的像素这些像素都是当前分类和最大化标记的和未标记的样本[4]。的用表示编码的一致性。在VallsMarsheva[5]等的文献中标记像素的信息被传递到它周围像素，这个图像一个全局稳定的状态。L. Gómez-Chova[6]等的文献中，向量机决策函数被曲线的一致性编码，使得空间的邻域相似的决策函数值。 研究提出通过的最佳化这看起来未标记的来信息的因为不需要修正分类器，并且所有未标记样本的信息都包含核心里J. Weston[7]等的文章里，作者提出了聚集的方法建立一个非监督的的，构成成员的样本进行相似度评估。Tuia and Gamps-Valls[1]了分类方法，随后提出了层次版本8]。所有的研究中，都基于未标记样本的，并且将标准支持向量机和结合起来9],[10]。 尽管这些方法应用简单、效果很好，这些方法很少考虑影像的空间特征。遥感图像的地物都是地理空间的，所以图像都是空间连续，的地物都是空间平滑的如果像素属于一种地物类别，比如农作物，该像素的像素也很有可能是农作物用地跟里类似（类别的属于空间上相同的群2]）我们可以将这种假设空间假设上。M. Marconcini[11]等的文章里作者改进的分类器总结空间仅针对单一的种类和尺度的分类器样地物都是高分辨率并且是不同尺度的。在L. Capobianco[12]文章里，作者提出了从的未标记的样本来的方法。 一种是通过图像分割实现空间平滑。在J. Li[13]文章中，用半监督法分割的方法随机场来建立空间信息模型。L. Bruzzone和L. Carlin[14]的文章中作者分层分割方法来提取特征特征矢量增强的空间来训练支持向量机在J. Mu?oz-Marí[15]的文章中用有限的标记像素和结果通过交互式学习的方法来找到最佳的分割尺度。 本文中，我们利用分割相似的像素为一个新尺度核心分类器提高分类的质量。提出了一个半监督支持向量机空间一致性假设。一致性是通过多尺度分割的相似估计的我们分层描述的。为了空间我们提出了两种距离尺度，第一两个像素同一群，并且相似度是层的聚合距离aggregation distance, AD）度量的。的空间松弛线性结合起来组成的，如D. Tuia1] 文章里所提到的。的方法实现了基于样本的预测并且将等价的训练成传统的支持向量机，增加了分割的代价。 主要贡献是：用分割方法对遥感图像建立空间一致性模型，更好的利用分类多尺度分割的基础上了两种估计方法来空间。结构大致介绍提出的第三部分介绍的数据集和实验步骤第四部分和分析实验结果五部分总结本文。原理 提出运算法则是标准支持向量机（support vector machineSVM）变形的。变形是根据设计核心函数的需要来的，精确的方式代表了样本的相似性以下的的假设，我们需要光谱和空间增加属于同一个群的像素之间的相似度。光谱连续，增强假设的方法是设计一个松弛的（的核心7]）传统的的函数）核心RBF变形为未标记的样本的关系BAG，如下所示 ∈(0,1) （1） T是完成聚拢算法的数量是像素在t次方时的聚拢成员并且样本i和xj在同样的属于同一个群，返回1，否则返回式子）的结果是一个的7]。 提出是加上第三个项来这个，增加了多尺度分割得到的空间平滑区域相似性。在图像上运行了多尺度分割法则后所有未标记的样本和可利用的标记样本）一个新的空间一致性被建立SEG，并且先前的RBF和KBAG组成线性组合关系。最后所示： (2) 运算法则的代价是几项的和：多尺度分割运算（一次）聚集运算的代价（中，k此，mdk)）标准支持向量