本文選題：高光譜　切入點：遙感　出處：《遙感學報》2017年04期 　論文類型：期刊論文

【摘要】：善于捕捉空間信息的條件隨機場模型雖然已被應(yīng)用于高光譜遙感圖像分類,但條件隨機場的性能受到了標注訓練樣本數(shù)量的制約。為解決上述問題,本文提出了一種半監(jiān)督條件隨機場模型用于高光譜遙感圖像分類。在該模型中,首先,利用空間-光譜拉普拉斯支持向量機定義關(guān)聯(lián)勢函數(shù),以利用未標注樣本中包含的信息獲取樣本類別概率;然后,在交互勢函數(shù)中嵌入未標注的空間鄰域樣本,以充分利用空間信息實現(xiàn)對樣本類別概率的修正;最后,采用分布式學習策略和平均場完成半監(jiān)督條件隨機場的訓練和推斷。本文在兩個公開的高光譜數(shù)據(jù)集(Indian Pines數(shù)據(jù)集,Pavia University數(shù)據(jù)集)上進行了實驗。實驗結(jié)果表明Kappa系數(shù)提升3.94%。
[Abstract]:The conditional random field model, which is good at capturing spatial information, has been applied to the classification of hyperspectral remote sensing images, but the performance of conditional random field is restricted by the number of training samples. In this paper, a semi-supervised conditional random field model is proposed for hyperspectral remote sensing image classification. In this model, the spatial spectral Laplace support vector machine is used to define the correlation potential function. The probability of sample category is obtained by using the information contained in the unlabeled sample. Then, the unlabeled spatial neighborhood sample is embedded in the interactive potential function to make full use of the spatial information to correct the probability of the sample category. Finally, Using distributed learning strategy and mean field to complete the training and inference of semi-supervised conditional random fields, the experiments were carried out on two open hyperspectral data sets, Indian Pines datasets and Pavia University datasets. The experimental results show that the Kappa coefficient is increased by 3.94.
【作者單位】： 北京航空航天大學宇航學院;數(shù)字媒體北京市重點實驗室;
【基金】：國家自然科學基金(編號:61501009,61371134和61071137)~~
【分類號】：TP751

【參考文獻】

相關(guān)期刊論文 前4條

1 王立國;楊月霜;劉丹鳳;;基于改進三重訓練算法的高光譜圖像半監(jiān)督分類[J];哈爾濱工程大學學報;2016年06期

2 杜培軍;夏俊士;薛朝輝;譚琨;蘇紅軍;鮑蕊;;高光譜遙感影像分類研究進展[J];遙感學報;2016年02期

3 李祖?zhèn)?馬建文;張睿;李利偉;;利用SVM-CRF進行高光譜遙感數(shù)據(jù)分類[J];武漢大學學報(信息科學版);2011年03期

4 楊國鵬;余旭初;陳偉;劉偉;;基于核Fisher判別分析的高光譜遙感影像分類[J];遙感學報;2008年04期

【共引文獻】

相關(guān)期刊論文 前10條

1 吳俊峰;姜志國;張浩鵬;蔡博文;羅鵬浩;;半監(jiān)督條件隨機場的高光譜遙感圖像分類[J];遙感學報;2017年04期

2 付瓊瑩;余旭初;張鵬強;魏祥坡;;聯(lián)合空譜信息的高光譜影像半監(jiān)督ELM分類[J];華中科技大學學報(自然科學版);2017年07期

3 周平平;侯妙樂;趙學勝;呂書強;胡云崗;張學東;趙恒謙;;基于高光譜影像分類線性回歸的古畫污漬虛擬恢復(fù)[J];地理信息世界;2017年03期

4 孫坤;魯鐵定;;監(jiān)督分類方法在遙感影像分類處理中的比較[J];江西科學;2017年03期

5 夏帆;;海洋爭端案件中的遙感證據(jù)研究[J];太平洋學報;2017年06期

6 蔡毅;朱秀芳;孫章麗;陳阿嬌;;半監(jiān)督集成學習綜述[J];計算機科學;2017年S1期

7 張杰;;遙感找礦技術(shù)在地質(zhì)礦產(chǎn)勘探中的應(yīng)用[J];工程建設(shè)與設(shè)計;2017年07期

8 郭輝;楊可明;張文文;劉聰;夏天;;小波包信息熵特征矢量光譜角高光譜影像分類[J];中國圖象圖形學報;2017年02期

9 趙鵬飛;周紹光;裔陽;胡屹群;;基于SLIC和主動學習的高光譜遙感圖像分類方法[J];計算機工程與應(yīng)用;2017年03期

10 王少宇;焦洪贊;鐘燕飛;;條件隨機場模型約束下的遙感影像模糊C-均值聚類算法[J];測繪學報;2016年12期

【二級參考文獻】

相關(guān)期刊論文 前10條

1 李娜;李詠潔;趙慧潔;曹揚;;基于光譜與空間特征結(jié)合的改進高光譜數(shù)據(jù)分類算法[J];光譜學與光譜分析;2014年02期

2 陳善靜;胡以華;石亮;王磊;孫杜娟;徐世龍;;空-譜二維蟻群組合優(yōu)化SVM的高光譜圖像分類[J];光譜學與光譜分析;2013年08期

3 孫偉偉;劉春;施蓓琦;李巍岳;;基于隨機矩陣的高光譜影像非負稀疏表達分類[J];同濟大學學報(自然科學版);2013年08期

4 劉建軍;吳澤彬;韋志輝;肖亮;孫樂;;基于空間相關(guān)性約束稀疏表示的高光譜圖像分類[J];電子與信息學報;2012年11期

5 宋琳;程詠梅;趙永強;;基于稀疏表示模型和自回歸模型的高光譜分類[J];光學學報;2012年03期

6 宋相法;焦李成;;基于稀疏表示及光譜信息的高光譜遙感圖像分類[J];電子與信息學報;2012年02期

7 張兵;;智能遙感衛(wèi)星系統(tǒng)[J];遙感學報;2011年03期

8 杜培軍;張偉;夏俊士;;Hyperspectral remote sensing image classification based on decision level fusion[J];Chinese Optics Letters;2011年03期

9 杜培軍;王小美;譚琨;夏俊士;;利用流形學習進行高光譜遙感影像的降維與特征提取[J];武漢大學學報(信息科學版);2011年02期

10 李祖?zhèn)?馬建文;張睿;李利偉;;利用P-EDMP與光譜進行高光譜遙感影像分類[J];武漢大學學報(信息科學版);2010年12期

【相似文獻】

相關(guān)期刊論文 前1條

1 楊耘;徐麗;;基于分層特征關(guān)聯(lián)條件隨機場的遙感圖像分類[J];計算機應(yīng)用;2014年06期

，

本文編號：1627668