StackingLearning在高光谱图像分类中应用.PDFVIP

第 45 卷第 6 期 应 用 科 技 Vol.45 No.6 2018 年 12 月 Applied Science and Technology Dec. 2018 DOI: 10.11991/yykj.201712011 网络出版地址：/kcms/detail/23.1191.U1246.008.html Stacking Learning 在高光谱图像分类中的应用 1 1,2 徐凯 ，崔颖 1. 哈尔滨工程大学 信息与通信工程学院，黑龙江 哈尔滨 150001 2. 黑龙江省农业科学院 遥感技术中心，黑龙江 哈尔滨 150001 摘 要：高光谱图像分类研究中，集成学习能够显著地提高分类效果。但是传统的并行多分类系统对基础分类器有较高要 求，即要求差异性及分类均衡。为了解决这一问题，采用Stacking Learning 的堆栈式学习方式，首先使用K-Fold 和交叉验 证的方式进行数据分割和训练，将原始特征进行特征变换，重新构建二级特征。再使用新特征进行对Meta 分类器进行训 练得到判决分类器，用于样本的最后分类判断。实验结果表明，采用的Stacking Learning 方法不依赖基础分类器，且相比较 于传统的多分类系统具有更高的精度和良好的稳定性。 关键词：高光谱图像；多分类系统；Stacking Learning；集成学习；交叉验证；图像分类；特征变换；K-Fold 中图分类号：TP75 文献标志码：A 文章编号：1009−671X(2018)06−0042−07 Application of Stacking Learning in hyperspectral image classification 1 1,2 XU Kai , CUI Ying 1. College of Information and Communication Engineering, Harbin Engineering University, Harbin 150001, China 2. Remote Sensing Technology Center, Heilongjiang Academy of Argicultural Sciences, Harbin 150001, China Abstract: In the study of hyperspectral image classification, integrated learning can significantly improve the classification effect. However, traditional parallel multiple classifier system has higher requirements for the basic classifier, namely, the diversity of requirement and the equalization of classification. In order to solve this problem, we use Stacking Learning method. Firstly, K-Fold and cross-validation were used to s