本文關(guān)鍵詞：基于空間鄰域信息的高光譜遙感影像半監(jiān)督協(xié)同訓(xùn)練

  更多相關(guān)文章： 空間鄰域信息(SNI) 協(xié)同訓(xùn)練 半監(jiān)督 高光譜遙感影像分類

【摘要】：針對(duì)tri_training協(xié)同訓(xùn)練算法在小樣本的高光譜遙感影像半監(jiān)督分類過程中,存在增選樣本的誤標(biāo)記問題,提出一種基于空間鄰域信息的半監(jiān)督協(xié)同訓(xùn)練分類算法tri_training_SNI(tri_training based on Spatial Neighborhood Information)。首先利用分類器度量方法不一致度量和新提出的不一致精度度量從MLR(Multinomial Logistic Regression)、KNN(k-Nearest Neighbor)、ELM(Extreme Learning Machine)和RF(Random Forest)4個(gè)分類器中選擇3分類性能差異性最大的3個(gè)分類器;然后在樣本選擇過程中,采用選擇出來的3個(gè)分類器,在兩個(gè)分類器分類結(jié)果相同的基礎(chǔ)上,加入初始訓(xùn)練樣本的8鄰域信息進(jìn)行未標(biāo)記樣本的二次篩選和標(biāo)簽的確定,提高了半監(jiān)督學(xué)習(xí)的樣本選擇精度。通過對(duì)AVIRIS和ROSIS兩景高光譜遙感影像進(jìn)行分類實(shí)驗(yàn),結(jié)果表明與傳統(tǒng)的tri_training協(xié)同算法相比,該算法在分類精度方面有明顯提高。
【作者單位】： 中國(guó)礦業(yè)大學(xué)江蘇省資源環(huán)境信息工程重點(diǎn)實(shí)驗(yàn)室;濟(jì)南市城市規(guī)劃咨詢服務(wù)中心;衛(wèi)星測(cè)繪技術(shù)與應(yīng)用國(guó)家測(cè)繪地理信息局重點(diǎn)實(shí)驗(yàn)室南京大學(xué);
【關(guān)鍵詞】： 空間鄰域信息(SNI) 協(xié)同訓(xùn)練 半監(jiān)督 高光譜遙感影像分類
【基金】：國(guó)家自然科學(xué)基金項(xiàng)目(41471356) 衛(wèi)星測(cè)繪技術(shù)與應(yīng)用測(cè)繪地理信息局重點(diǎn)實(shí)驗(yàn)室項(xiàng)目(KLAMTA-201410)
【分類號(hào)】：TP751
【正文快照】： 1引言高光譜遙感影像具有光譜分辨率高、圖譜合一、光譜波段范圍廣等優(yōu)點(diǎn),在對(duì)地觀測(cè)時(shí)可以獲得許多連續(xù)的波段,攜帶的地物信息非常豐富,可以更加精細(xì)地刻畫地物的細(xì)節(jié)信息,進(jìn)而準(zhǔn)確地識(shí)別地物[1]。近年來,如何準(zhǔn)確、高效地對(duì)高光譜遙感影像進(jìn)行分類,已經(jīng)成為了研究熱點(diǎn)。當(dāng)訓(xùn)

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前2條

1 楊悅;郭樹旭;任瑞治;于永力;;基于核函數(shù)及空間鄰域信息的FCM圖像分割新算法[J];吉林大學(xué)學(xué)報(bào)(工學(xué)版);2011年S2期

2 ;[J];;年期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 趙凡迪;基于空間鄰域約束編碼的視頻目標(biāo)跟蹤研究[D];西安電子科技大學(xué);2014年

  本文關(guān)鍵詞：基于空間鄰域信息的高光譜遙感影像半監(jiān)督協(xié)同訓(xùn)練

  更多相關(guān)文章： 空間鄰域信息(SNI) 協(xié)同訓(xùn)練 半監(jiān)督 高光譜遙感影像分類

，

本文編號(hào)：514081