论文部分内容阅读
高光谱遥感是现代遥感技术的一个里程碑式的发展标志,已是遥感领域的研究热点,其中高光谱影像自动分类又是高光谱遥感的关键。为了适应高光谱影像自动分类技术对分类精度、分类稳定性、算法普适性的现实要求,本文在分析现有监督和非监督分类存在不足的基础上,围绕着半监督机器学习理论和信息熵理论对高光谱遥感影像自动分类技术开展了细致深入的研究,主要研究工作和创新性研究成果如下:(1)针对高光谱影像监督分类方法对训练集中有标记标签数量要求高、最终分类精度低和当前半监督分类方法中存在的构建模型复杂、方法实现困难等存在的问题,提出基于多分类Logistic回归与Renyi熵融合的自训练半监督高光谱影像分类方法。多分类Logistic算法利用少量的有标记训练样本对高光谱数据类别进行预测并输出类别概率信息,然后利用Renyi熵理论对无标记标签进行有标记标注,补充到训练集中,扩充训练集规模后再进行迭代分类预测,最终算法稳定收敛结束。通过5种不同高光谱遥感数据与多种监督分类算法的比较试验结果表明,与常规的监督分类方法相比较分类精度提高了1%-25.93%,且分类效果均优于常规的监督分类方法。(2)构建基于概率支持向量机与D-S证据理论融合的自训练半监督高光谱影像分类方法。该方法利用概率支持向量机算法的快速类别预测能力以提升自训练半监督高光谱影像分类过程的速度,利用证据理论的合成规则以提升无标记标签转化为有标记标签的质量。通过与多分类Logistic回归与Renyi熵融合的自训练半监督分类方法的比较试验结果表明,在分类精度方面略有提高,最高达4.46%;运行效率方面有了明显的改善,提升幅度达25.97%-59.70%。(3)针对研究高光谱数据维数约减对自训练半监督分类方法的分类效率和分类质量的影响,提出基于噪声估计与最小Renyi交叉熵融合的高光谱遥感影像波段选择方法。线性回归的噪声估计方法对高光谱影像数据中随机噪声进行估计,然后利用Renyi交叉熵理论选择原始影像中最大光谱信息量的波段,最后利用皮尔森相关系数法理论对这些波段进行组合。大量的试验结果表明,该方法去除了数据中的冗余波段,降维后的波段保留有效的光谱信息,与自训练半监督的高光谱遥感影像分类方法结合使用,在保持优良分类效果和分类精度的前提下,显著提高了运行效率,比降维前提高了7%-30%。