基于对应分析的训练样本的选择

本文提出一种基于对应分析的训练样本的选择方法。它从训练样本中自动地选择有代表性的典型训练样本,使得在自动分类中充分利用所采集的样本信息,以便得到满意的分类结果。通过实验与分析证明,该方法是可行的,它明显优于人工随机选择训练样本的方式。与基于Q型因子分析的训练样本选择方法相比,可以更快地得到较少的典型样本,满意的分类精度。     

基于Q型因子分析的训练样本的选择

提出基于Q型因子分析的训练样本的选择方法。它可自动地选择训练样本,而且被选择的训练样本具有代表性,使其在自动分类中充分利用所采集的样本信息,以便得到满意的分类结果。通过实验与分析证明,该方法是可行的,它优于基于人工随机地选择训练样本的方式,而且可获得更高的分类精度。     

基于Q型因子分析的训练样本的选择

本文提出基于Q型因子分析的训练样本的选择方法。它可自动地选择训练样本,且被选的训练样本具有代表性和完整性,使其在自动分类中充分使用所采集的样本信息,以便得到满意的分类结果。作者通过实验与分析证明,该方法是可行的,而且它优于基于人工随机的训练样本的选择方式。     

适用于训练样本选择的斜交因子模型研究

训练样本的质量直接影响训练阶段的训练质量（或效果）,进而在一定程度上影响测试阶段的分类精度。训练样本的代表性和典型性则反映出训练样本质量的一个重要方面。对于当前非常流行的深度学习模型研究,如何尽可能地减少训练样本的数量,一方面成为一个非常“棘手”的问题,另一方面从实际应用的角度来看,这也上升为一个经济或成本方面的问题。提出了一种适用于训练样本选择的斜交因子模型方法,该方法松弛了Q型因子分析和对应分析对于公因子之间独立的假设条件,并在斜交参考解的基础上提出一种适合训练样本选择的近似求解斜交旋转的方法。实验结果表明,所提方法是可行、有效的。与基于正交因子模型的方法相比,它可以更好地描述或逼近现实的真实情况,可以选择出更合理、更具有代表性的典型训练样本,并且还可以取得满意的分类精度。适用于训练样本选择的斜交因子模型方法优于基于正交因子模型的训练样本的选择方法,被选择的训练样本分布相对更分散、更合理,而且总的分类精度平均提高3%左右。     

一种基于支撑向量机的遥感影像不完全监督分类新方法

不完全监督分类是研究在只有目标类训练样本的情况下如何准确地将目标类从数据集中提取出来。在许多遥感应用问题中,往往只需要从遥感影像中提取某一类地物。如果分类过程中只要选取目标类训练样本,将节省在训练样本选取过程中的大量人力物力。因此不完全监督分类是一个值得研究的遥感分类问题。提出了一种基于加权无标识样本支撑向量机(WUS-SVM),并在其基础发展出一种不完全监督分类方法。该方法分3个步骤:(1)在影像中随机选取一定量的无标识样本,将它们作为具有不同权重的非目标类训练样本;(2)用目标类的训练样本和加权无标识训练样本一起训练WUS-SVM,得到初步的分类器;(3)利用初步的分类器确定无标识样本的类别,并与原目标类训练样本一起再次训练SVM得到最终的分类器。通过对模拟数据和遥感影像的分类试验初步证明了该分类方法的有效性。     

遥感数据监督分类中训练样本的纯化

本文分析了训练样本对遥感数据监督分类结果的影响,提出了训练样本纯化的理论与方法,即根据样本像元的光谱和空间信息来剔除训练样本中不合要求的样本像元。一个例子的试验研究表明,训练样本纯化后,各类型间的发散度、样本像元的概率密度函数与高斯分布的拟合度以及分类结果的精度都得到不同程度提高。     

基于主动深度学习的极化SAR图像分类

针对极化SAR图像在监督分类时存在人工标注样本费时费力以及浅层结构学习算法的表达能力有限等问题,提出一种基于主动深度学习的极化SAR图像分类方法。首先,对测量数据进行多种极化特征提取,以便完整地描述图像信息;在此基础上,通过自动编码器对大量无标记样本进行非监督学习,提取更具可分性和不变性的深层特征;然后,利用少量标记样本训练分类器,并与自动编码器连接,以监督学习的方式微调整个网络;最后,通过主动学习,选择对当前分类器最有价值的样本(分类模糊度最大的样本)进行人工标记,并加入到训练样本中,重新训练分类器和微调网络。对RADARSAT-2和EMISAR极化SAR影像进行不同分类的实验结果表明,该方法能在更少人工标记的样本下获得较高的分类精度。     

基于半监督学习的遥感影像分类训练样本时空拓展方法

针对无法直接获取训练样本的遥感影像分类问题,从满足条件的其他影像中选择替代训练样本是最直接的方法,但由于地物类型在不同影像中的辐射环境不同,导致替代训练样本对待分类影像的代表性较差,无法保证分类精度.以直推式支持向量机(transductive support vector machine,TSVM)分类为例,发展了一种基于半监督学习的遥感影像训练样本时空拓展方法.该方法采用非监督方法从待分类影像中选择大量未标记样本,挖掘各类地物在特征空间中的结构信息;以替代训练样本所拟合的分类面为初始面,通过自适应渐进式的优化,实现对待分类影像的高精度分类.该方法要求训练样本的来源影像与待分类影像具有相似的地物分布和相近的时相.以SPOT5和QuickBird影像分类为例,分别通过基于像元的和基于分割对象的分类实验证实,该文提出的方法可有效地实现训练样本的时空拓展应用.     

多源数据的土地覆被样本自动提取

随着遥感数据获取能力的不断增强,自动化程度已经成为大尺度遥感土地覆被分类面临的关键问题。然而,现有训练样本的人工选取方法成为制约土地覆被分类自动化的瓶颈。本文以河南、贵州两省为研究区,提出一种基于多源数据的土地覆被样本自动提取方法,以构建适用于大尺度的土地覆被自动分类。首先,以2010年1∶10万土地利用数据CHINALC和30 m分辨率全球土地覆被数据Globle Land30为样本数据源;然后,利用空间一致性分析及异质性分析确定样本初选区域;最后,通过样本提纯去除无效样本。结果表明:(1)应用多源数据的土地覆被样本自动提取方法获得的分类产品总体分类精度高于人工样本提取方法制作的全球土地覆被产品MCD12Q1。(2)与单源样本自动提取方法相比,应用多源数据的土地覆被样本自动提取方法,可获得更好的分类稳定性。综上,多源数据的土地覆被样本自动提取方法可在保证精度的同时,提升土地覆被分类的自动化程度。     

一种切空间协同表示的高光谱遥感影像分类方法

协同表示分类（collaborative representation classification,CRC）算法近年来成为高光谱遥感分类的研究热点。地物类别间区分性不高会严重影响现有CRC算法的性能。流形结构可有效地解决非线性问题,并解决高光谱遥感影像因数据冗余导致的类别间区分性低的问题。提出了一种基于切空间的高光谱遥感影像协同表示分类算法（tangent space collaborative representation classification,TCRC）和一种基于欧氏距离的自适应加权的切空间协同表示分类算法（weighted tangent space collaborative representation classification,WTCRC）。TCRC算法利用测试样本的切平面来估计区域流形,在测试样本的切空间中使用协同表示算法,寻找测试样本在各类训练样本中的最优线性表示估计,并用其最小误差来对测试样本进行分类。在此基础上,利用测试样本邻域像元、训练样本与测试样本的欧氏距离作为权矩阵来自适应调整各样本对测试样本的影响。实验采用ROSIS（reflective optics system image spectro-meter）和AVIRIS（airbone visible infrared imaging spectrometer）高光谱遥感影像对所提出算法的性能进行了评价,结果表明TCRC和WTCRC在分类效果上比CRC有明显的提升,WTCRC相较于TCRC具有更好的分类效果,具有更强鲁棒性。     

基于对象直方图G统计量的遥感影像道路提取

提出了一种基于对象直方图G统计量的遥感影像道路提取方法。首先基于标记分水岭算法分割高分辨率遥感影像获取对象像斑,提取对象光谱特征并利用SVM从影像中分离出光谱相似的建成区（道路、建筑物等）;然后从建成区选择合适的对象作为训练样本,采用G统计量度量测试样本与训练样本的LBP纹理直方图距离,以表达对象纹理特征的异质性,并利用最小距离分类器完成建成区内道路与建筑物等的分离;最后结合几何形状特征和数学形态学处理对提取的道路进行优化,获得最终的道路提取结果。试验结果表明：该方法能较好地提取出道路信息。     

面向高光谱影像分类的生成式对抗网络

为了提高高光谱影像分类精度，提出了一种基于生成式对抗网络的高光谱影像分类方法。生成式对抗网络由生成器、判别器和分类器3部分组成，其中生成器用于模拟高光谱样本的数据分布，生成特定类别的样本；判别器是一个二值分类器，用于判断输入的样本是否为真实数据；分类器用于对输入的样本进行分类。利用反向传播算法依次更新生成器、判别器和分类器的网络参数使损失函数最小，从而达到训练网络的目的。生成器和判别器能够模拟高光谱影像的样本分布来辅助训练分类器，因此能够提高高光谱影像的分类精度。分别采用Pavia大学和Salinas高光谱数据集进行分类试验，试验结果表明提出的分类方法能够在小样本条件下提高高光谱影像的分类精度。     

A semilabeled-sample-driven bagging technique for ill-posed classification problems

In this letter, a semilabeled-sample-driven bootstrap aggregating (bagging) technique based on a co-inference (inductive and transductive) framework is proposed for addressing ill-posed classification problems. The novelties of the proposed technique lie in: 1) the definition of a general classification strategy for ill-posed problems by the joint use of training and semilabeled samples (i.e., original unlabeled samples labeled by the classification process); and 2) the design of an effective bagging method (driven by semilabeled samples) for a proper exploitation of different classifiers based on bootstrapped hybrid training sets. Although the proposed technique is general and can be applied to any classification algorithm, in this letter multilayer perceptron neural networks (MLPs) are used to develop the basic classifier of the proposed architecture. In this context, a novel cost function for the training of MLPs is defined, which properly considers the contribution of semilabeled samples in the learning of each member of the ensemble. The experimental results, which are obtained on different ill-posed classification problems, confirm the effectiveness of the proposed technique.     

面向对象的高光谱遥感影像稀疏表示分类

稀疏表示用于高光谱遥感影像分类多是基于像素层次来处理的。文中提出一种面向对象的高光谱遥感影像稀疏表示分类方法。首先从高光谱影像中提取4个波段组成标准的多波段影像,进行面向对象的影像分割;然后计算各对象在各波段上的光谱均值,并选取少量样本进行训练;最后利用基于Fisher字典学习的稀疏表示进行高光谱遥感影像的分类。实验结果表明,该方法可以利用较少的样本得到较好的分类效果,与基于像素层的稀疏分类相比较,分类精度与效率均有所提高,分类结果更接近真实地物,避免了零碎图斑。