1 中科技术物理苏州研究院，江苏 苏州215000
2 中科技术物理苏州研究院，江苏 苏州215000中国科学院上海技术物理研究所，上海200083中国科学院红外探测与成像技术重点实验室，上海200083
大量的训练样本可有效缓解模型过拟合，从而提高分类效果。在初始标记样本较少的情况下，开展借助不同尺度的同质区快速扩增大量高精度训练样本的实验，并利用初始标记样本和扩增样本训练支持向量机（Support Vector Machine, SVM）分类器，实现对高光谱数据的有效分类。该方法在Pavia University、Salinas和Indian Pines三种高光谱数据上均能获得大量高精度的训练样本，分类精度分别达到99%、99%和97%以上。实验结果表明，扩增的大量伪标签样本可以有效训练SVM分类器，提高分类效果。
高光谱影像 半监督分类 多尺度同质区 训练样本扩增 图像分割 支持向量机 hyperspectral image semi-supervised classification multi-scale homogeneous regions training sample amplification image segmentation SVM
1 空军航空大学, 吉林 长春 130022
2 东北师范大学地理科学学院, 吉林 长春 130024
3 中国人民解放军95910部队, 甘肃 酒泉 735000
4 中国人民解放军95795部队, 广西 桂林 541000
针对现有基于阶梯网络(LN)的高光谱图像分类算法无法充分提取图像的空谱特征而导致分类精度降低的问题,提出一种基于改进阶梯网络的高光谱半监督分类算法。首先将三维卷积神经网络(3D-CNN)与长短时记忆(LSTM)网络结合,提出一种新的空谱特征提取(3D-CNN-LSTM)网络,使用该网络分步提取局部空间特征与光谱特征。然后使用3D-CNN-LSTM网络对阶梯网络的编码器与解码器进行改进,提出一种3D-CNN-LSTM-LN半监督分类算法,增强阶梯网络的特征提取能力。最后在Pavia University和Indian Pines两个数据集上对不同算法进行实验。实验结果表明,在小样本条件下,所提算法取得了最佳的分类效果,验证了所提算法具有优越性。
遥感 高光谱图像 半监督分类 阶梯网络 空谱特征提取 激光与光电子学进展
2021, 58(24): 2428008
1 西南林业大学大数据与智能工程学院,云南 昆明 650233
2 西南林业大学大数据与智能工程研究院,云南 昆明 650233
3 西南林业大学林业生态大数据国家林业与草原局重点实验室,云南 昆明 650233
云南茶园主要分布于山区, 往往与其他地物混合, 破碎化程度高, 给基于遥感的高精度茶园提取带来困难。 破碎化山地茶园的遥感识别能力有待进一步提高。 以西双版纳北部及普洱市南部山区为研究区, 以高分一号(GF-1)遥感影像为数据源, 基于易康(eCognition9.0)软件, 采用多尺度分割(MRS)方法对影像进行分割, 并通过ED3Modified评估影像的最优分割尺度。 首先构造了包括14个光谱特征、 6个纹理特征和3个空间特征的23维初始特征, 通过计算样本的分离度对分类特征空间进行优化, 确定了16维最优特征空间。 然后应用面向对象的监督分类方法[贝叶斯(Bayes)、 决策树5.0(DT5.0)及随机森林(RF)]对研究区茶园进行提取。 采用实地调查样点和随机点结合的方法对提取结果进行精度验证, 并比较了不同分类方法的茶园提取精度。 面向对象的监督分类[多分类(茶园、 森林、 农田、 不透水层、 水体)]结果的总体精度(OA)和Kappa系数分别为(Bayes: 87.73%, 0.70), (DT: 88.52%, 0.72), (RF: 91.23%, 0.78)。 三种分类方法对茶园提取的生产者精度(PA)和使用者精度(UA)分别为(Bayes: 67.23%, 75.33%), (DT: 68.84%, 83.83%), (RF: 70.54%, 87.13%); 相比于面向对象的RF多分类, 面向对象RF二分类(茶园、 其他地物)OA和Kappa系数分别提高了3.24%和0.07, 茶园提取的PA与UA分别提高了5.99%和5.61%; 相较于仅利用光谱特征的基于像元的RF多分类, 面向对象的RF二分类OA与Kappa系数分别提高了23.32%和0.27, 茶园提取PA与UA分别提高了21.10%和29.03%。 结果表明: 采用面向对象的监督分类方法在对茶园提取方面有应用潜力, 尤其面向对象的RF分类精度更高, 二分类相较于多分类对于茶园提取更为精细和准确。 该方法对于复杂、 破碎山地茶园提取精度较高, 能够满足基于高空间分辨率多光谱影像的茶园精细化识别应用需求。
茶园 面向对象 纹理特征 空间特征 多光谱 监督分类 Tea plantations Object-oriented GF-1 Texture feature Spatial feature Multispectral Supervised classification GF-1 光谱学与光谱分析
2021, 41(8): 2565
1 东华理工大学放射性地质与勘探技术国防重点学科实验室, 江西 南昌 330013
2 东华理工大学测绘工程学院, 江西 南昌 330013
遥感图像的监督分类技术在信息提取和变化检测领域中具有广泛的应用,其中训练样本的选择至关重要,训练样本的好坏直接决定分类精度的高低。然而,受到条件的限制和人为的错误均可能导致一些不纯或错选的异常训练样本被选取,从而造成分类精度的降低。为了解决这个问题,采用中位数绝对偏差法,根据图像的光谱信息探测和剔除遥感图像监督分类任务中不纯和错选的训练样本。选取由Landsat-8获取南昌市部分地区的光学遥感图像数据,使用支持向量机对含有异常训练样本和剔除异常训练样本的两种情况进行监督分类,并对分类结果进行比较。实验结果表明,剔除异常训练样本的分类精度明显优于含异常训练样本。
测量 遥感图像 光谱信息 监督分类 中位数绝对偏差 异常训练样本探测 激光与光电子学进展
2020, 57(23): 231202
相比于传统的雷达对抗系统, 认知雷达对抗引入了闭环行为学习过程, 使得干扰方可以通过对雷达信号进行状态辨识, 进而进行干扰效果评估, 经过自主学习优化干扰策略, 从而使得干扰更具有主动性和针对性。雷达状态识别是认知雷达对抗的基础, 而在对抗过程中, 目标雷达随时可能激活先前“隐藏”的“未知状态”, 这就要求干扰方能够快速对未知雷达状态做出响应。本文重点研究认知雷达对抗中的未知雷达状态识别, 利用机器学习理论相关算法, 提出了基于有监督分类与基于无监督聚类的 2种未知状态识别方法, 并通过仿真实验分别验证了 2种方法的有效性。
认知雷达对抗 未知雷达状态识别 有监督分类 无监督聚类 Cognitive Radar Countermeasure unknown radar state recognition supervisedclassification unsupervised clustering 太赫兹科学与电子信息学报
2018, 16(2): 233
南京理工大学江苏省光谱成像与智能感知重点实验室，江苏 南京 210094
在保证分类结果清晰、准确的前提下，为了提高分类执行效率，本文基于图形处理器（graphicprocessing unit, GPU）及并行优化，提出一种基于归一化光谱向量的高光谱图像实时性非监督分类方法。利用高光谱图像的空间一致性有效提高分类精度，同时，利用归一化光谱向量简化了像元间相似性的计算公式，统一了图像内像元处理方式，并利用GPU 并行技术有效提高计算速度。首先，利用GPU 并行处理方法计算空间相邻像元间光谱向量相似性，根据高斯拟合取得安全阈值；然后利用光谱角作为像元光谱相似测度，将相似像元划为同质区；最后以同质区内各像元平均光谱向量表述同质区光谱特征，根据安全阈值合并相似的同质区完成分类。用AVIRIS 数据评估了该方法性能。本文的理论分析和实验结果显示，与现有非监督分类方法相比，该方法分类精度更高，同时，算法本身运行速度更快。
归一化光谱 并行优化 空间一致性 非监督分类 高光谱图像 normalized spectrum parallel optimization spatial coherence property unsupervised classification hyperspectral images
重庆大学光电技术及系统教育部重点实验室， 重庆 400044
针对荧光微球图像分割存在粘连及有限标记样本分类困难等问题，提出了一种基于改进分水岭及半监督最小误差重构分类器(SSMREC)的荧光微球图像分割及分类方法。采用改进分水岭方法对荧光微球图像进行分割，有效分离粘连，得到独立的荧光微球对象；对微球对象的色调(H)、饱和度(S)、明度(V)即HSV颜色空间进行非均匀量化，去除冗余信息，提取鉴别特征；采用半监督误差重构分类器实现荧光微球分类。将本文方法与线性鉴别分析分类器(LDA)、随机森林分类(RFC)、稀疏表示分类器(SRC)、K近邻分类器(KNN)、支持向量机(SVM)分类方法进行比较。实验结果显示，针对每类样本随机选取2，4，6，8个有类别标记的样本时，本文方法的总体分类精度比其他算法高3.5%～14.3%，该算法在类别标记样本量较少的情况下，能够有效提高分类精度。
生物光学 半监督分类 误差重构 分水岭 特征提取 荧光微球
1 海军航空工程学院控制工程系, 山东 烟台 264001
2 海军航空装备计量监修中心, 上海 200436
提出一种基于聚类集成的半监督多/高光谱图像分类方法。谱聚类是近年来出现的基于图论的、以相似性为基础的一类性能优越的聚类算法, 能对任意形状分布的数据进行聚类, 但对参数的变化比较敏感。聚类集成技术可有效提高单聚类算法的精度和稳定性, 并具有良好的鲁棒性和泛化能力。算法利用聚类集成算法的优点并利用谱聚类的思想开发聚类集成算法的共识函数, 将谱聚类作为聚类成员来构造聚类集成系统, 使用高斯RBF核映射下的多维数据的光谱角制图计算权值矩阵W, 并用Nystrm方法来降低算法的运算复杂度, 实现了多/高光谱遥感数据的半监督分类。最后通过实验验证了该算法无论对多光谱还是高光谱都有较好的分类效果。
图像分类 半监督分类 多光谱图像 高光谱图像 谱聚类 聚类集成 image classification semi-supervised classification multispectral image hyperspectral image spectral clustering cluster ensemble
基于激光雷达测距方程与扫描仪的辐射机制，建立激光强度值的线性改正模型。考虑到各种噪声的影响及非线性效应，对参数进行修正，建立强度值的修正改正模型，去除激光测距值及激光入射角对强度值的影响，得到仅与目标反射特性相关的改正强度值。通过设置类别总数，初始阈值及阈值步长，利用改正后强度值，提出了一种点云自适应非监督分类的方法。实验结果表明：基于修正模型改正后强度值的点云自适应非监督分类方法可以精确地对点云进行分类，整体分类精度达到84%。
遥感 点云分类 激光强度 激光入射角 激光测距值 非监督分类 激光与光电子学进展
2016, 53(3): 032801
中国矿业大学(北京)地球科学与测绘工程学院, 北京 100083
高光谱影像分类是识别影像信息的重要途径之一,研究其算法对地物识别、动态变化监测和专题信息提取等方面具有重要意义.非监督分类由于其具有无须先验知识的特点,被广泛应用于高光谱影像分类.结合谐波分析理论提出一种新的高光谱影像非监督分类算法,即谐波分析分类器(harmonic analysis classifier,HAC).首先,该算法统计第一谐波分量并绘制其直方图,根据波峰数目及位置确定初始地物类别和聚类中心像元.然后将待分类像元光谱的波形信息映射到谐波分解次数、振幅和相位的特征空间中,利用同类地物在特征空间中表现聚集性这一特征,根据最小距离原则对待分类像元进行归类.最后,计算聚类中心像元间的欧式距离,通过设置距离阈值完成类间合并,从而达到高光谱影像分类的目的.提取两种地物类别的光谱曲线,经谐波分析后得到谐波分解次数、振幅和相位量,并分析其在特征空间中的分布情况验证了HAC算法的正确性.同时将HAC算法应用到EO-1卫星的Hyperion高光谱影像得到其分类结果,通过对比K-MEANS,ISODATA和HAC算法的高光谱影像分类结果,证实HAC算法作为一种非监督分类方法在高光谱影像分类方面具有较好的应用性.
光谱分析 谐波分析 非监督分类 特征映射 聚集性 高光谱影像 Spectral analysis Harmonic analysis Unsupervised classification Feature mapping aggregation Hyperspectral image 光谱学与光谱分析
2015, 35(7): 2001
