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
江南大学轻工过程先进控制教育部重点实验室, 江苏 无锡 214122
利用光谱技术实现农产品、 食品品质无损检测的实质是建立样本光谱信息与样本品质参数之间的机器学习模型。 为了获得具有良好泛化性能的机器学习模型, 通常需要大量的标记样本, 然而, 获取样本的光谱信息相对容易, 但标注样本品质参数的过程往往涉及到大量的时间和经济成本, 并且具有破坏性。 主动学习是一种减少训练集有标记样本数量的方法, 通过选择最有价值的样本进行标记, 而不是随机选择。 因此, 主动学习能够控制向训练集添加哪些样本, 模型不再是被动地接受用于建模的样本。 在分类任务中已经提出较多关于主动学习的算法, 但回归任务中的研究却相对较少, 且现有的用于回归任务的主动学习算法大多是有监督的, 即需要少量有标记样本训练初始模型。 本文提出了一种基于无监督主动学习方法的训练样本选择策略。 该方法首先通过层次凝聚聚类对无标记(标准值)光谱数据集进行多样性划分, 获得不同的聚类簇; 然后通过局部线性重建算法在每个聚类簇中选择最具代表性的样本构成训练样本集, 最后基于训练集构建模型。 利用两个年份三个品种苹果的近红外光谱数据, 构建了其可溶性固形物含量和硬度的偏最小二乘预测模型, 用于验证所提出方法的有效性。 实验结果表明: 所提出的方法要优于已有的样本选择策略, 可以有效地提高模型精度, 减少在模型训练中的破坏性理化实验。 同时, 与随机采样(RS)、 Kennard-Stone算法(KS)、 光谱-理化值共生距离算法(SPXY)这三种光谱领域常用的样本选择算法相比, 该研究所提出的方法表现出了最佳的性能, 基于所提出的无监督主动学习算法选取200个样本作为训练集所建立的可溶性固形物含量预测模型的预测均方根误差相对于其他三种算法降低了2.0%~13.2%, 硬度预测模型的预测均方根误差相对降低了1.2%~15.7%。
光谱 品质检测 主动学习 训练样本选择 Spectroscopy Quality detection Active learning Training sample selection
1 东华理工大学测绘工程学院, 江西 南昌 330013
2 东华理工大学江西生态文明建设制度研究中心, 江西 南昌 330013
3 西安市勘察测绘院, 陕西 西安 710054
建筑物是一种极其重要的人工地物目标,通过提取建筑物可为城市规划、人口估算和景观分析等提供技术支撑。面向对象分类方法作为目前提取地物的有效手段之一,已广泛应用在建筑物信息的提取中。面向对象的形态学建筑物指数法具有较好的实用性,但提取稀疏建筑物的效果仍有待提高。为了解决这一问题,将中值绝对偏差应用于面向对象的建筑物提取,分别对建筑物密集和稀疏两种情况进行分析,采用查准率、查全率和F1分数等指标对提取结果进行评价。实验结果表明,面向对象的中值绝对偏差法提取稀疏建筑物的效果明显优于面向对象分类方法和面向对象的形态学建筑物指数法。
测量 遥感图像 光谱信息 形态学建筑物指数 中值绝对偏差 训练样本 激光与光电子学进展
2021, 58(12): 1212005
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
1 厦门大学航空航天学院仪器与电气系, 福建 厦门 361005
2 传感技术福建省高等学校重点实验室, 福建 厦门 361005
拉曼成像是一种无损伤、 无需标记的光谱成像技术, 在生物医学领域得到了广泛的应用。 然而, 由于大多数生物样本中的自发拉曼信号都很弱, 为了获得较好的成像结果, 需要较长的时间来获取高信噪比的拉曼光谱, 严重影响了拉曼成像的时空分辨率, 阻碍了其在快速动态体系中的应用。 多通道拉曼成像是解决这一问题的有效途径之一, 在多通道拉曼成像技术中, 完整拉曼光谱的标定-重建算法是关键。 目前, 适用于光谱重建的算法有伪逆法、 Wiener估计算法等, 这些方法虽然简单且易于实现, 但是在应用于多通道拉曼成像时, 一方面易受噪声、 振动等非线性因素的直接干扰, 另一方面在多通道拉曼成像中, 数量相对较少的训练样本和坏样本的存在均很容易影响重建效果。 为解决这两类因素的影响, 本文提出了一种基于训练样本优化和主成分分析(PCA)的拉曼光谱重建算法。 首先, 利用滤光片理论响应矩阵函数计算训练样本的模拟窄带测量值, 借助Wiener估计重建完整拉曼光谱, 得到重建光谱的模拟窄带测量值, 比较样本与重建光谱的窄带测量值, 完成训练样本的优化; 然后, 基于多项式回归, 拓展优化处理后的窄带测量值, 降低非线性因素的干扰; 最后, 利用主成分分析, 提取训练样本主要信息, 完成转移矩阵的计算, 并引入归一化处理, 实现拉曼光谱的快速重建。 在试验中, 选取有机玻璃(PMMA)作为实验样本, 利用伪逆法、 Wiener估计算法和本算法, 分别完成拉曼光谱重建。 采用均方根误差, 评价拉曼光谱的重建精度。 结果证明, 该算法优于传统算法, 为拉曼成像技术进一步在快速动态体系中的应用提供了理论支持。
多通道拉曼成像 训练样本优化 光谱重建 Multi-channel image Sample optimization PCA PCA Spectral reconstruction 光谱学与光谱分析
2020, 40(8): 2495
1 中国科学院遥感与数字地球研究所数字地球重点实验室, 北京 100094
2 中国科学院大学, 北京 100049
为了解决目前主流的显著性检测算法在复杂多目标遥感图像中检测能力不足的问题, 提出一种基于超像素区域相似性度量的显著目标提取算法。该算法利用简单线性迭代聚类方法对原始图像进行超像素分割, 通过基于图论的视觉显著性方法检测出显著超像素, 并对其修正得到显著目标提取的训练样本, 进一步逐层计算全体超像素区域与显著超像素区域的相似性并转化为超像素区域的隶属度值, 最后实现对整幅超像素图像的显著目标提取。实验结果表明, 该算法具有较高的准确率和召回率, 能更加有效地检测出遥感图像中的显著目标, 提取效果优于主流的显著性检测算法, 还可以有效应用于复杂多目标的遥感图像显著目标信息提取中。
图像处理 遥感信息提取 简单线性迭代聚类超像素分割 图论的视觉显著性检测 训练样本 区域相似性度量 激光与光电子学进展
2017, 54(8): 081004
训练样本构成是影响光谱重建精度的一个重要因素, 针对学习型光谱重建算法中训练样本选择问题, 提出了一种基于主成分分析的训练样本选择方法。 为了保证训练样本与重建样本的相似度, 首先根据欧式距离最小原则从待选样本集中选择与重建样本相机响应值相似的样本, 并去掉其中的重复样本； 然后进行主成分分析； 设定阈值筛选各主成分系数较大的样本作为训练样本, 最后得到与主成分个数相同的训练样本子集。 为验证该方法的有效性, 通过在镜头前加载宽带滤色片搭建多通道图像获取系统采集多通道图像信息, 将得到的各样本子集用作训练样本, 利用伪逆法重建光谱信息, 最后将重建的光谱精度与常用的训练样本及训练样本选择方法得到的重建光谱精度进行比较。 实验结果表明： 提出的方法显著提高了光谱重建的色度精度和光谱精度, 优于常用的样本选择方法, 能较大程度满足高精度颜色复制要求。
训练样本选择 主成分分析 光谱重建 多通道图像采集 Representative color samples selection PCA Reflectance reconstruction Multi-channel imaging system 光谱学与光谱分析
2016, 36(5): 1400
1 中国科学院 长春光学精密机械与物理研究所中国科学院航空光学成像与测量重点实验室,吉林 长春 130033
2 中国科学院大学,北京 100049
研究了软硬件相结合的亚像元超分辨成像技术。首先通过探测器扫描获得同一场景彼此错位亚像元像素的多帧图像作为训练样本和输入图像;然后针对传统的局部线性嵌入(LLE)实例学习超分辨算法过于依赖外部训练样本,不利于光电成像系统直接处理等缺点,提出了一种基于自学习的改进LLE算法;采用新的LLE权值计算方法获得正数权值,同时对初始估计再次运用自学习LLE方法恢复丢失的高频细节信息。仿真实验结果表明,该算法重构的图像的信噪比比传统LLE超分辨算法提高了0.8 dB,运行时间提高了75%,视觉上可感知重构图像的细节信息更丰富。与其它方法相比,用搭载的微位移实验平台运行本文算法所获得重构图像的信噪比和信息熵都有很大提高,表明本文算法能获得高质量和高分辨率的重构图像。
超分辨成像 亚像元图像 自学习 局部线性嵌入 训练样本 super-resolution imaging sub-pixel image self-learning Local Linear Embedding(LLE) training set
复制的多光谱数据获取要求图像数据具有设备无关、 场景无关特性, 能够真实客观表征物体颜色信息。 针对获取系统扰动、 噪声误差以及光谱重建中训练样本典型代表性与相关性要求, 提出了基于正交回归的光谱重建算法, 并通过子空间跟踪的训练样本选择算法, 选择重建样本与训练样本集中相关性与代表性最好的样本参与光谱重建。 实验通过改造后的仙娜宽带多通道成像系统进行验证, 数据表明本文提出的方法, 所选训练样本能较好的表征样本空间并具有较好的正交性, 在宽带多光谱成像方面, 重建光谱平均色度误差为3.6, 其光谱精度与色度精度较其他方法具有明显提高。
子空间追踪 训练样本 光谱重建 Subspace tracking Training samples Spectral reconstruction 光谱学与光谱分析
2013, 33(4): 1076
军械工程学院 光学与电子工程系，河北 石家庄 050003
针对常规综合鉴别函数制作的复合匹配滤波器，对不同旋转角度的训练样本输出的相关峰值波动性较大，不便于后续探测和处理等问题，对常规综合鉴别函数到编码匹配滤波器的编码转化过程进行分析，找到导致相关峰值波动的原因，提出改进方法，即在计算综合鉴别函数的线性组合系数时将编码运算也考虑进去，并根据滤波器对各训练样本相关峰值的倒数来确定线性组合系数。计算机仿真结果表明：改进后的方法降低了复合滤波器对不同旋转角度样本输出相关峰值的波动性，提高了相关峰自动判别的准确性。
旋转不变模式识别 常规综合鉴别函数 训练样本 rotation invariant pattern recognition conventional synthetic discriminant function training sample
