论文部分内容阅读
卫星遥感技术是一种非常重要的地球空间监测技术，应用广泛。但是在利用遥感卫星获取地表信息的过程中，存在一个难以避免的问题，即云层遮挡的问题，大大影响了遥感图像的成像质量，并为遥感图像的后续处理带来很多困难。因此，进行遥感图像的云检测研究可以提高数据利用率，并为遥感图像的后续处理提供便利。
传统的遥感图像云检测的算法需要具有足够多的已标记样本，遥感图像因其自身成像的原因具有数据量大和类型复杂多样的特点，很容易获得大量的未标记样本，而已标记样本的获得则需要花费大量的人力物力，而且带有严重的主观评断。为减轻人工标记的代价，利用大量未标记样本的分布信息提高算法的分类精度，本文考虑将半监督分类算法应用于遥感图像云检测中，主要工作如下：
1．对现有的遥感图像特征描述算法进行归纳，并给出一种有效地遥感图像特征筛选方法，为遥感图像特征提取研究提供参考；
2．设计了一种适合用于遥感图像样本挑选的主动学习算法，在半监督分类算法中，初始的已标记样本对分类结果影响很大，利用设计的主动学习算法可以挑选对分类器最有价值、最具信息量的样本进行人工标记，从而提高算法的分类精度；
3．提出一种带约束条件的自我学习算法，通过设定两个约束条件在未标记样本中挑选兼具分类精确度和信息量的样本来更新训练样本集，对分类器自身进行改进学习。该算法在已标记样本相对较少的情况下能够有效地提高遥感图像子图云判别精度；
4．提出一种基于基准点的流形正则化算法，将一种适合应用于大样本集的图的构造方法用于流形正则化算法中，实验表明，该算法能够很好的应用于遥感图像子图云判中，并且在已标记样本非常少的情况下能够获得很好的算法性能。