共查询到20条相似文献，搜索用时 250 毫秒
1.
2.
生成模型学习的遥感影像半监督分类 总被引：1，自引：0，他引：1
以生成模型最大似然估计为例,引入结合已标记样本和未标记样本的半监督分类方法来解决遥感影像分类中的小样本问题,应用已有的少量已标记样本初始化一个分类器,结合大量未标记样本,通过递归计算的方式对分类器进行优化,直到包含所有样本的似然函数收敛到局部极大值。通过分析遥感影像待分类类别与影像中地物类型固有特征之间的关系,设计两个在不同生成模型假设下的分类实验。结果表明,未标记样本的参与可在很大程度上提高小样本条件下的影像分类精度,但两种样本的数量应保持一个适当的比例。最后通过与在解决小样本分类问题方面有独特优势的SVM方法的分类比较,发现在小样本情况下,本文方法具有更好的应用潜力。 相似文献
3.
Marconcini M. Camps-Valls G. Bruzzone L. 《Geoscience and Remote Sensing Letters, IEEE》2009,6(2):234-238
This letter presents a novel composite semisupervised support vector machine (SVM) for the spectral-spatial classification of hyperspectral images. In particular, the proposed technique exploits the following: 1) unlabeled data for increasing the reliability of the training phase when few training samples are available and 2) composite kernel functions for simultaneously taking into account spectral and spatial information included in the considered image. Experiments carried out on a hyperspectral image pointed out the effectiveness of the presented technique, which resulted in a significant increase of the classification accuracy with respect to both supervised SVMs and progressive semisupervised SVMs with single kernels, as well as supervised SVMs with composite kernels. 相似文献
4.
主动学习与图的半监督相结合的高光谱影像分类 总被引：2，自引：2，他引：0
针对当前高光谱影像分类时,人工标注样本费时费力以及大量未标记样本未有效利用等问题,提出了一种主动学习与图的半监督相结合的高光谱影像分类方法。首先,将像素的光谱信息与其邻域内的空间信息相结合,利用重排序机制得到一种旋转不变的空谱特征表达。在此基础上,利用主动学习算法选择最不确定性样本(即分类模糊度最大的样本),提交操作者标注得到标记样本集。最后将该标记样本与未标记样本组合,用于图的半监督分类。该算法可保证类别边界样本的选择,利于分类器的边界构造,同时,在较少标记样本情况下,通过引入大量的未标记样本,可以达到较好的分类效果。在3幅真实高光谱影像上的试验表明,该方法可以取得精度较高的分类结果。 相似文献
5.
本文提出了一种聚类特征和SVM组合的高光谱影像半监督协同分类方法。利用构建的协同分类框架能够将KSFCM聚类算法与半监督SVM分类器相结合,同时利用聚类和分类优势,提高分类器的分类准确率。其中,通过聚类损耗函数、分类一致函数、分类差异性、样本差异性四个指数用以构建协同分类框架,以充分利用少量类标签样本信息,避免高光谱类标签样本获取困难问题,在一定程度上解决SVM支持向量随着训练样本增加而线性增加的问题,从而寻求最佳分类结果。实验结果表明,本文所提方法得到的分类精度优于直接利用SVM进行半监督分类。 相似文献
6.
Land cover classification using remotely sensed data requires robust classification methods for the accurate mapping of complex land cover area of different categories. In this regard, support vector machines (SVMs) have recently received increasing attention. However, small number of training samples remains a bottleneck to design suitable supervised classifiers. On the other hand, adequate number of unlabeled data is available in remote sensing images which can be employed as additional source of information about margins. To fully leverage all of the precious unlabeled data, integration of filtering in a transductive SVM is proposed.Using two labeled image datasets of small size and two large unlabeled image datasets, the effectiveness of the proposed method is explored. Experimental results show that the proposed technique achieves average overall accuracies of around 4.5–7.8%, 0.8–2.6% and 0.9–2.2% more than the standard inductive SVM (ISVM), progressive transductive SVM (PTSVM) and low density separation (LDS) classifiers, respectively on larger domains in case of labeled datasets. Using image datasets, visual interpretation from the classified images as well as the segmentation quality reveal that the proposed method can efficiently filter informative data from the unlabeled samples. 相似文献
7.
为了进一步提高遥感图像建筑物区域的识别精度,提出了一种基于中值稳健扩展局部二值模式(median robust extended local binary pattern,MRELBP)、Franklin矩和布谷鸟优化支持向量机(support vector machine,SVM)的分类方法。首先,通过MRELBP特征算子计算图像块的纹理特征向量,并根据Franklin矩得到形状特征向量,组合图像块的纹理特征向量和形状特征向量得到综合特征向量;然后,利用训练样本对SVM进行训练,同时由布谷鸟搜索算法对SVM的核函数参数和惩罚因子进行优化;最后,通过训练好的SVM得到建筑物区域识别结果。通过30组试验的结果表明,与基于三原色(red green blue,RGB)和SVM的分类方法、基于LBP和SVM的分类方法、基于Zernike矩和SVM的分类方法相比,本文提出的方法所识别的遥感图像建筑物区域准确度更高。 相似文献
8.
针对灰度直方图在影像分类时需要考虑阈值和K-最近邻分类算法分类效率低等问题,提出了一种基于灰度直方图与KNN相结合的影像分割算法:首先对待分割的影像进行灰度直方图统计;其次利用灰度直方图对影像进行硬阈值的划分,得到已知类别样本和未标记样本;然后选择一定数量已知类别的样本对KNN分类器进行训练;最后利用KNN分类器对未标记样本进行类别划分,得到最终分割图像。实验结果表明,该算法结合了灰度直方图高效性和KNN高精度的优势,避免了直方图分割最佳阈值的选取;与传统的KNN算法相比,本文算法大大提高了分类效率,且精度相当,满足实际生产应用的需求。 相似文献
9.
一种基于核回归的SAR图像自适应相干斑抑制方法 总被引：1，自引：0，他引：1
为了在抑制相干斑噪声的同时更好地保持SAR图像中的点目标和边缘目标,在经典核回归方法的基础上,本文提出了基于核回归的SAR图像自适应相干斑抑制方法。通过分析SAR图像的幅度分布特性,在构建模型时,以图像的幅度值为判别条件,使核函数在幅值较小的背景区域具有较大的光滑作用以抑制噪声,而在幅值较大的目标区域光滑作用较小以保护目标特征;同时考虑对边缘的保护作用,基于散布矩阵修正了自适应核回归方法,建立了基于核回归的SAR图像自适应相干斑抑制方法。试验结果表明,该算法通过将幅度值和散布矩阵引入核函数,更好地抑制了噪声,同时也保持了图像中的点目标和边缘。 相似文献
10.
提出一种利用属类概率距离构图的半监督学习算法,并应用于高光谱图像分类。首先,该算法利用基于分类的稀疏表达方法来预估未标记样本的属类概率向量,然后,利用这个概率向量对描述数据相似性的距离函数进行改造,改造后的距离函数能有效扩大异类样本点之间的距离,在新的距离函数的度量下,每个样本点的邻域中可包含更多同类的样本点。最后,将该距离函数应用于半监督学习线性邻域传播算法和标签传播算法中。在Hyperion 和AVIRIS高光谱遥感图像上的实验结果表明：相比于传统的基于图的半监督学习算法,该算法能有效提高高光谱遥感图像分类精度。 相似文献
11.
善于捕捉空间信息的条件随机场模型虽然已被应用于高光谱遥感图像分类,但条件随机场的性能受到了标注训练样本数量的制约。为解决上述问题,本文提出了一种半监督条件随机场模型用于高光谱遥感图像分类。在该模型中,首先,利用空间-光谱拉普拉斯支持向量机定义关联势函数,以利用未标注样本中包含的信息获取样本类别概率;然后,在交互势函数中嵌入未标注的空间邻域样本,以充分利用空间信息实现对样本类别概率的修正;最后,采用分布式学习策略和平均场完成半监督条件随机场的训练和推断。本文在两个公开的高光谱数据集(Indian Pines数据集,Pavia University数据集)上进行了实验。实验结果表明Kappa系数提升3.94%。 相似文献
12.
航空影像分割的最小二乘支持向量机方法 总被引：5，自引：0，他引：5
将最小支持向量机LS-SVM用于航空影像的分割,讨论了不同核函数对分割结果的影响和稀疏化处理对决策函数的影响。试验表明了LS-SVM方法用于航空影像分割的可行性。 相似文献
13.
面向高光谱图像分类的半监督空谱判别分析 总被引：2，自引：2，他引：0
为充分利用高光谱图像蕴藏的空间信息提升分类精度,提出了面向高光谱图像分类的半监督空谱判别分析(S3 DA)算法。考虑高光谱图像数据集的空间一致性,首先利用少量标记样本定义类内散度矩阵,保存数据集同类像元的光谱近邻结构;再利用无标记样本定义空间近邻像元散度矩阵,揭示像元间的空间近邻结构和地物的空间分布结构信息。S3 DA既保持数据集在光谱域的可分性,又保存了无标记样本蕴藏的空间域近邻结构,增强了同类像元和空间近邻像元在投影子空间的聚集性,从而提升分类性能。在PaviaU和Indian Pines数据集的试验表明,总体分类精度分别达到81.50%和71.77%。与传统的光谱方法比较,该算法能有效提升高光谱图像数据集的地物分类精度。 相似文献
14.
高分辨率遥感影像语义分割的半监督全卷积网络法 总被引：1，自引：0，他引：1
在遥感领域,利用大量的标签影像数据来监督训练全卷积网络,实现影像语义分割的方法会导致标签绘制成本昂贵,而少量标签数据的使用会导致网络性能下降。针对这一问题,本文提出了一种基于半监督全卷积网络的高分辨率遥感影像语义分割方法。通过采用一种集成预测技术,同时优化有标签样本上的标准监督分类损失及无标签数据上的非监督一致性损失,来训练端到端的语义分割网络。为验证方法的有效性,分别使用ISPRS提供的德国Vaihingen地区无人机影像数据集及国产高分一号卫星影像数据进行试验。试验结果表明,与传统方法相比,无标签数据的引入可有效提升语义分割网络的分类精度并可有效降低有标签数据过少对网络学习性能的影响。 相似文献
15.
城市道路的多特征多核SVM提取方法 总被引：1，自引：0，他引：1
针对高分辨率遥感影像中城市道路提取的复杂性及SVM的分类性能,提出了一种城市道路的多特征多核SVM提取方法。首先利用FCM算法将原始影像粗分为建成区和非建成区两类,剔除非建成区;然后根据分水岭分割算法分割建成区并提取分割对象的光谱特征与空间特征,以全局核函数和局部核函数加权组合的方式构建多核SVM对建成区进行二次分类,去除建成区中的建筑物等非道路信息;最后利用数学形态学处理,获得最终的道路提取结果。试验结果表明：文中所提方法能够较精确地提取城市道路信息,分类精度高于单核SVM提取及其他对比方法。 相似文献
16.
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. 相似文献
17.
针对卷积神经网络特征维度高且单层特征不能准确表达复杂高分辨率遥感影像语义信息的问题,本文提出了一种提取低维卷积神经网络（LDCNN）深层次特征进行多核SVM分类的场景分类方法。首先将预训练的卷积神经网络改造成低维网络结构,其次提取低维网络的不同深层特征并进行不同核函数的SVM分类,找到对应的最优核函数;然后将多种最优核函数加权融合成为一个新的合成核;最后进行多核SVM分类。试验表明,本文方法不仅特征维度低,且通过多核SVM能够充分结合各层特征的优点,在两个标准数据集上均取得了99%以上的分类精度。此外,该试验还证明了本文方法具有较强的迁移学习能力。 相似文献
18.
一种基于支撑向量机的遥感影像不完全监督分类新方法 总被引：9，自引：1，他引：9
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。 相似文献
19.
Camps-Valls G. Munoz-Mari J. Gomez-Chova L. Richter K. Calpe-Maravilla J. 《Geoscience and Remote Sensing Letters, IEEE》2009,6(2):248-252
This letter presents two kernel-based methods for semisupervised regression. The methods rely on building a graph or hypergraph Laplacian with both the available labeled and unlabeled data, which is further used to deform the training kernel matrix. The deformed kernel is then used for support vector regression (SVR). Given the high computational burden involved, we present two alternative formulations based on the Nystrom method and the incomplete Cholesky factorization to achieve operational processing times. The semisupervised SVR algorithms are successfully tested in multiplatform leaf area index estimation and oceanic chlorophyll concentration prediction. Experiments are carried out with both multispectral and hyperspectral data, demonstrating good generalization capabilities when a low number of labeled samples are available, which is usually the case in biophysical parameter retrieval. 相似文献
20.
Chengjie Zhu Shizhi Yang Qiang Zhao Shengcheng Cui Nu Wen 《Journal of the Indian Society of Remote Sensing》2014,42(1):35-49
Fuzzy c-means (FCM) algorithm is a popular method in image segmentation and image classification. However, the traditional FCM algorithm cannot achieve satisfactory classification results because remote sensing image data are not subjected to Gaussian distribution, contain some types of noise, are nonlinear, and lack labeled data. This paper presents a robust semi-supervised kernel-FCM algorithm incorporating local spatial information (RSSKFCM_S) to solve the aforementioned problems. In the proposed algorithm, insensitivity to noise is enhanced by introducing contextual spatial information. The non-Euclidean structure and the problem in nonlinearity are resolved through kernel methods. Semi-supervised learning technique is utilized to supervise the iterative process to reduce step number and improve classification accuracy. Finally, the performance of the proposed RSSKFCM_S algorithm is tested and compared with several similar approaches. Experimental results for the multispectral remote sensing image show that the RSSKFCM_S algorithm is more effective and efficient. 相似文献