基于半监督学习的遥感影像分类-海洋信息探测与处理专业论文.docxVIP

第 第 PAGE IV 页 improve themselves using unlabeled samples recursively. A lot of experiments have been done using the same remote sensing images based on different kind of methods including supervision and semi-supervision, self-training and co-training, and Low Density Separation in this paper. Experimental results show that when the proportion of labeled sample to unlabeled sample is between 1:2 and 1:9, classification based on semi-supervised learning can get higher accuracy than that based on full-supervised learning using much less labeled sample, which has certain significance both on research and practice. Keywords ： Semi-Supervised Learning ， remote sensing image classification, na?ve Bayesian, Self-training, Co-training, Low Density Separation. 目 录 摘 要 I Abstract II 第一章 引言1 1.1 课题研究背景1 1.1.1 遥感影像特点1 1.1.2 机器学习概述 2 1.2 研究现状以及成果2 1.3 本文主要研究内容与结构安排4 第二章 基于朴素贝叶斯的全监督遥感影像分类 6 2.1 朴素贝叶斯网络6 2.2 全监督学习7 2.3 实验样本数据预处理9 2.3.1 训练样本数据归一化处理9 2.3.2 先验概率的选择9 2.4 基于朴素贝叶斯的全监督学习遥感影像分类实验 13 2.4.1 实验设计13 2.4.2 实验结果及实验分析13 2.5 本章小结15 第三章 自我学习与协同学习16 3.1 自我学习16 3.1.1 自我训练算法16 3.1.2 基于自我训练算法的半监督遥感影像分类过程 18 3.1.3 实验设计与参数配置19 3.1.4 基于自我训练算法的半监督遥感影像分类实验与分析 20 3.2 协同训练23 3.2.1 协同学习算法24 3.2.2 基于协同学习训练算法的半监督遥感影像分类过程 27 3.2.3 标注置信度、迭代算法过程中未标注样本池的样本数量 27 3.2.4 实验设计与参数配置28 3.2.5 基于协同学习训练算法的半监督遥感影像分类实验与分析 29 3.3 本章小结32 第四章 低密度分割33 4.1 低密度分割介绍33 4.2 算法34 4.2.1 基于图的相似度34 4.2.2 边缘阈值最大化37 4.2.3 算法运用39 4.3 基于低密度分割的半监督遥感影像分类实验及分析 43 4.3.1 实验设计与参数配置43 4.3.2 实验结果与实验分析44 4.4 本章小结45 第五章 总结与展望46 5.1 总结46 5.2 展望47 参考文献48 致谢 53 攻读硕士学位期间已发表或录用的论文54 第 第 PAGE 1 页 第一章 引言 1.1 课题研究背景 本文属于机器学习研究领域，学位课题研究依托于国家重点基础研究发展计 划“973”项目“对地观测数据‐空间信息‐地学知识的转化机理第三课题组高性能的 遥感影像网格计算与信息解译的智能方法”和国家高技术研究发展计划“863”项 目“基于内容的遥感影像相似性检索及关键技术研究”。 遥感影像与一般影像不同，一般我们所说的影像是由色彩，亮度组成的图片， 而我们这里所指的遥感影像则是指通过卫星检测到的地面物体的光谱特征，由这 些图片组成了光谱空间。在光谱空间中，每个物体都能找到其相应的光谱点，每 个物体的光谱特征一般不同。在航拍时，由于天气变化，地表变化等各种原因， 使得探测到的不同物体光谱特征会有重复，且同一物体的光谱特征也不尽相同， 同一物体的光谱空间呈现按照一定的参数呈现正态分布。尽管如此，由于不同物 体的光谱特性大体总会不同，我们依然可以划分边界区域，进而对图像进行分类。 遥感影像分类的任务就是对不同物类光谱特征进行分析，得到一定的分类参