基于层次集成学习的高光谱图像分类.pdfVIP

第 １８卷第 ４期 交 通 科 技 与 经 济 Vol 畅１８ ，No畅４ ２０１６年 ８月 Technology Economy in Areas of Communications Aug ．，２０１６ DOI ：１０畅１９３４８／j畅cnki畅 issn１００８‐５６９６畅２０１６畅０４畅０１９ 基于层次集成学习的高光谱图像分类 刘柏森１ ，２ ，张 晔１ （１ ．黑龙江工程学院 电气与信息工程学院 ，黑龙江 哈尔滨 １５００５０ ；２ ．哈尔滨工业大学 电子与信息工程学院 ，黑龙江 哈尔滨 １５０００１） 摘 要 ：为提高高光谱图像（HSI）分类精度 ，基于集成学习方法提出高光谱图像分类的层次集成学习新框架 。采用 两种集成学习策略 ：外部集成及内部集成 。在外部集成阶段 ，构造多种高光谱图像的光谱和空间特征 ，使外部集成 呈高度多样性 ，有利于提高分类精度 ；内部集成阶段 ，针对关联多特征集中的个体 ，Adaboost算法实现个体分类性能 的提高 。两组高光谱数据的实验结果表明 ，与原始的 Adaboost和单分类器相比较 ，该方法在整体精度方面有更好的 性能 。 关键词 ：Adaboost算法 ；集成 ；特征提取 ；高光谱图像分类 ；支持向量机 中图分类号 ：TP７５１ 文献标识码 ：A 文章编号 ：１００８‐５６９６（２０１６）０４‐００７５‐０６ Hierarchy Ensemble Learning for Hyperspectral Imagery Classification LIU Baisen１ ，２ ，ZHANG Ye１ （１ ．Heilongjiang Institute of Technology ，College of Electrical and Information Engineering ，Harbin １５００５０ ，China ；２ ．School of Electronics and Information Engineering ，Harbin Institute of Technology ，Harbin １５０００１ ，China ．） Abstract ：Ensemble learning based methods have demonstrated impressive capacities to improve the classification accuracy of hyperspectral imagery （HSI ） ． In this paper ， we present a novel hierarchy ensemble learning framework for HSI classification ．Hierarchy ensemble is conducted by combing multi‐ strategy ensemble in view of ensemble diversity and the accuracy of individual members ． In the outer stage ，the allocation of multi‐features to ensemble individuals achieves a high degree of outer ensemble diversity ．Multi‐features of HSI are the integration of diverse spectral and spatial features ．In the inner stage ，Adaboost is implemented for each individual in the associated multi‐feature set to improve the individuals’classification performance ．Experimental results on two hyperspectral data sets reveal that our proposed method obtains sound performances in terms of better overall accuracies ，compared with original Adaboost and single classifier ． Key words ：Adaboost algorithm ； ensemble ； feature extraction ； hyperspectral imagery classification ； support vector mach