遥感图像分层空间相似度的半监督分类汇编.docVIP

遥感图像分层空间相似度的半监督分类 摘要：半监督法的内核变形函数，包含空间相似度，被广泛的应用于遥感图像分类。该方法利用遥感图像的空间邻近点往往是同一类的这一特征来进行分类。为了满足这种假设，提出了构造空间和光谱邻近的内核对未标记的样本进行分类。本文针对构造空间核心的提出了两种相似度函数。并在高分辨率的多光谱和高光谱数据上进行试验。参考目前针对遥感图像分类最新的半监督方法，本文提出的方法加上了空间相似度，因此获得了更高的分类精度和更平滑的分类图。 关键词：图像分类，图像分割，内核方法，支持向量机 引言 遥感影像具有覆盖范围大，重访快和不受地理条件限制的优点，所以遥感影像在地球科学中发挥了重要的角色。为了使影像能够用于监测，通常将遥感影像转换为土地覆盖图。监督分类方法因为分类结果更加精确，所以成为了主要的分类方法。但是，监督分类方法的结果取决于对标记样本的有效性和数量。如果没有足够的样本，图像潜在的概率分布函数就不能被很好的描述出来[1]。一种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。这种方法叫做半监督学习方法（Semisupervised learning, SSL）。 SSL是一种吸引了广泛的研究兴趣并且在机器学习领域应用广泛的方法[2]。在遥感领域，因为SSL能够有效利用影像中未标记的样本和影像中光滑的曲线，所以该方法被广泛应用[3]。在众多成功应用到遥感的SSL方法中，于直推式支持向量机方法用一些半监督的像素，这些像素都是基于当前分类超平面和最大化标记的和未标记的样本[4]。其他的SSL方法用图表来表示编码多方面的一致性。在Valls和Marsheva[5]等的文献中标记像素包含的信息被传递到它周围像素，直到这个图像处于一个全局稳定的状态。在L. Gómez-Chova[6]等的文献中，支持向量机的决策函数被拉普拉斯曲线的局部一致性编码修改，因此使得特征空间的邻域有相似的决策函数值。 最近的研究提出通过改变先前的内核，使支持向量机最佳化。这看起来是通过未标记的样本来编码信息的一个简便方法，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???核心矩阵里。在J. Weston[7]等的文章里，作者提出了用聚集的方法建立一个非监督的松弛的内核，用构成集群成员所选择的样本来进行相似度评估。Tuia and Gamps-Valls[1]再次利用了这一影像分类方法，随后提出了松弛内核不同层次的版本[8]。在以上所有的研究中，都建立了基于未标记样本的内核，并且将标准支持向量机内核和内核构成结合起来[9],[10]。 尽管这些方法应用简单、效果很好，但是这些方法很少考虑遥感影像的空间特征。由于遥感图像的地物都是地理空间的，所以遥感图像都是空间连续的，观察的地物都是空间平滑的。如果一个像素属于一种地物类别，比如农作物用地，那么该像素空间邻近的像素也很有可能是农作物用地。跟SSL方法里假设一个群类似（相同类别的像素属于空间上相同的群[2]），我们可以将这种假设用在空间上的族假设上。在M. Marconcini[11]等的文章里，作者用改进的半监督法分类器总结空间信息，但是实验仅针对单一的种类和一个尺度的空间分类器，然而样地物都是高分辨率并且是不同尺度的。在L. Capobianco[12]的文章里，作者提出了从空间邻近的未标记的样本中来分类的方法。 另外一种可能是通过图像分割来实现空间平滑。在J. Li[13]等的文章中，用半监督学习法分割的方法马尔科夫随机场来建立空间信息模型。在L. Bruzzone和L. Carlin[14]的文章中，作者用分层分割的方法来提取特征和特征矢量，然后在增强的空间来训练支持向量机。在J. Mu?oz-Marí[15]等人的文章中，利用有限的标记像素和分层分割结果，通过交互式学习的方法来找到最佳的分割尺度。 在本文中，我们利用分层分割将相似的像素组合为一个新的尺度，用核心分类器提高分类的质量。我们提出了一个半监督学习的支持向量机内核的空间一致性假设。空间一致性是通过对影像多尺度分割结果的相似估计得到的，我们将数据变成分层描述的。为了建立空间内核我们提出了两种距离尺度，比如在第一层上两个像素属于同一群，并且相似度是用在分割的层上的聚合距离（aggregation distance, AD）来度量的。最后的内核将空间内核和松弛内核线性结合起来组成的，如D. Tuia[1] 文章里所提到的。本文提出的方法实现了不完全基于样本的预测并且将复杂等价的训练成传统的支持向量机，只是增加了分割的代价。 本文主要贡献是：1）用多尺度分割方法对遥感图像建立空间一致性模型，以便更好的利用SSL方法分类；2）在多尺度分割的基础上采用了两种距离估计方法来决定空间内核。本文结构大致如下：第二部分介绍提