高光谱遥感影像的协同训练与半监督分类
正版全新
￥ 92.17 9.3折 ￥ 99 全新
库存11件
上海浦东
认证卖家担保交易快速发货售后保障
作者谭琨 等
出版社科学出版社
ISBN9787030602084
出版时间2020-01
装帧其他
开本128开
纸张胶版纸
页数14页
定价99元
货号1055113
上书时间2024-09-29
- 在售商品 暂无
- 平均发货时间 17小时
- 好评率 暂无
商品详情
- 品相描述：全新
- 商品描述
-
【书 名】 高光谱遥感影像的协同训练与半监督分类
【书 号】 9787030602084
【出 版 社】 科学出版社
【作 者】 谭琨 等
【出版日期】 2020-01-01
【版 次】 1
【开 本】 128开
【页 码】 14
【定 价】 99.00元
【内容简介】
针对高光谱遥感影像分类过程中的数据量大、维数高和不确定性等特点，将模式识别、机器学习等先关领域的半监督引入至高光谱遥感分类领域，开展高光谱遥感半监督分类方法研究是本书的主要内容。全书内容包括8章：第1章介绍高光谱遥感分类进展，第2章对半监督高光谱影像降维方面进行研究，第3章分析研究多元逻辑回归高光谱遥感影像的分类，第4章重点探讨基于差异性度量的分类器的选择，第5章研究邻域信息和多分类器集成的高光谱影像半
【目录】
目录
前言
章 高光谱遥感分类概述 1
1.1 高光谱遥感影像分类概述 1
1.2 半监督分类 4
1.3 分类器的差异性度量 9
1. 4 特征提取 10
1.5 本书实验数据 15
第2章 半监督高光谱影像降维 17
2.1 半监督降维算法的理论基础 17
2.2 稀疏表示理论技术与稀疏表示分类器原理 20
2.3 基于监督学习的稀疏降维算法 24
2.4基于稀疏表示的半监督高光谱遥感影像降维 33
第3章 多元逻辑回归高光谱遥感影像半监督分类. 45
3.1 多元逻辑回归 45
3.2 多元逻辑回归监督分类 48
3.3 基于多元逻辑回归分类器的半监督样本选择 54
第4章 基于差异性度量的分类器选择 .69
4.1 差异性度量基础 69
4.2 协同训练理论基础 72
4.3 改进协同训练算法 73
4.4 实验数据 74
4.5 实验结果与分析 74
4.6 本章小结 80
第5章 基于邻域信息和多分类器的高光谱影像半监督分类 81
5.1 非标记样本标注分析 81
5.2 常用非标记样本的确定方法 81
5.3 一种新的样本标记方法 84
5.4 实验结果与分析 88
5.5 本章小结 96
第6章 基于主动学习及同质集成的协同训练高光谱影像分类 97
6.1 未标记样本的选择与标定 97
6.2 多尺度同质集成 99
6.3 算法流程 99
6.4 实验结果与分析 100
6.5 本章小结 106
第7章 基于局部特征提取的协同训练高光谱影像分类 107
7.1 特征提取 107
7.2 结合局部特征的协同训练策略 110
7.3 实验结果与分析 110
7.4本章小结 126
第8章 基于协同训练的高光谱遥感影像分类系统 127
8.1 MATLAB GUI 开发技术 127
8.2 系统主要功能 128
8.3 本章小结 132
参考文献 133
彩插
【文摘】
章 高光谱遥感分类概述
1.1 高光谱遥感影像分类概述
遥感技术(赵英时，2003)是以电磁波理论为基础发展起来的一种探测技术，截止到目前己有了半个多世纪的发展史。它是一种通过应用不同的传感器接收远距离的目标所反射或辐射出的电磁波信息，对信息进行处理加工，从而对地面物体进行探测的综合性技术。广义的遥感是指在不接触目标对象的情况下对目标对象进行远距离的探测(杜培军，2006)。而狭义上的遥感是指在航天、航空或者地面平台上，利用各种传感器，以主动或者被动的方式获取目标地物反射或者辐射的电磁波信息，并通过对信息进行处理和分析，实现对目标地物进行定位、识别、定性或者定量描述等(杜培军，2006)。
进入20世纪80年代，随着遥感技术与传感器技术的快速发展，出现很多获取高光谱影像的设备与仪器。随着美国国家航壁航天局喷气推进实验室CJPL)研制的代航空成像光谱仪(AlS-l)面世，各种不同的成像光谱仪传感器相继被研制出来，如美国后来研制的可见光和红外成像光谱仪、高光谱数字成像仪、反射光学成像仪、机载实时更新高光谱增强成像仪、优选高效的军事战术反应成像光谱、EO-l卫星搭载的Hyperion成像仪等，加拿大研制的紧密机载成像光谱仪、德国的反射光学系统成像光谱仪、法国的红外成像光谱仪(ISM)、美国的Headwall高光谱成像仪、挪威的Hyspex商光谱成像仪、澳大利亚的航壁多光谱扫描仪(AMSS)和机载高光谱扫描仪系列(HYMAP)、英国简洁高分辨率成像仪、印度HySI成像仪、南非在建的多传感器微卫星成像仪等。我国在高光谱研制方面也取得了一定的进展，如机载高光谱成像仪PHI和OMIS.中国地质调查局南京地质调查中心和中国科学院上海技术物理研究所研制的成像质量较好的高光谱成像仪，在轨田-1-A卫星上搭载的超光谱成像仪(HSI)，嫦娥三号探测器上搭载的红外光谱仪，高分五号等。
仪器的研发能弥补高光谱数据获取的困难，同时很大提升了遥感对地观测系统的光谱分辨率。当前，高光谱遥感光谱分辨率几乎可以达到纳米级，其光谱范围覆盖可见光、近红外和中红外等波段(0.4~2.5μm)(张良培，2011)成像光谱仪在对目标区域进行光谱成像的同时，为每个空间像元提供数百个乃至数干个的光谱信息。总而言之，高光谱遥感数据具有以下几个特点=①光谱波段范围广，光谱分辨率高;②图谱合一，兼具图像和光谱信息:③描述数据的模型较多，可以通过大量研究成果进行系统的理论分析:④波段数据太，携带的地物信息也更加的丰富(杨国鹏等，200的。高光谱遥感影像已受到靠前外学者的广泛关注(Ben-Doret，2012;童庆禧等，2006)，已经成为当前乃至今后相当一段时间内遥感技术的一个重要的研究方向，并在植被(包刚等，2013;杨沛琦等，2013)、农业(罗红霞等，2012;王思恒，2013)、土壤(王维等，2011;吴代晖等，2010;袁征等，2014)、水文(万余庆等，2003;张璇，2014)、大气(康凯，2015;谢品华等，2000)、生态环境(雷磊等，2013;赵少华等，2013)、海洋(金大智等，2013;周刚等，2014)及矿产勘探(玉晋年等，2012;杨燕杰和赵英俊，2011)等领域得到了大量的应用。
高光谱遥感影像地物分类技术是众多遥感应用中的重要技术手段，也是当前高光谱遥感影像处理中的热点研究问题(浦瑞良和宫鹏.2000;童庆禧等.2006)。高光谱遥感影像分类是根据地物的光谱特征对地物进行目标识别。经过专家学者多年的研究和探索，高光谱影像分类技术形成了一系列针对高光谱图像特点的地物常用分类算法。归纳起来，可以分为两类:基于地物光谱特征的分类方法和基于数据统计特性的分类方法。在进行高光谱遥感影像分类的时候，传统的光谱特征匹配分类方法需要事先通过光谱特征数据库获取大量的先验知识，这样才能开展工作:相比较光谱匹配方法，统计分类方法则相对运算速度慢，需要大量的训练样本，相应地也就增大了计算量，否则分类精度会很低(高恒振，2011)。因此减少分类算法运算量以及提高分类精度成为高光谱遥感领域的研究热点之一。
基于地物光谱特征的分类方法是在分类中利用反映地物的光学物理性质的光谱曲线来进行识别分辨，使用各种匹配算法来区分图像中的不同地物类型，这种方法既可采用全波长或基于整个波形特征的光谱曲线的比较和匹配，也可用感兴趣的光谱特征或部分光谱波段的光谱波段或波段组合参量进行匹配，达到分类的目的。高光谱遥感技术在成像过程中，同类地物的表面结构特征、植被覆盖以及光照等条件十分相似，得到的波段数据会具有相同或相近的光谱特征，从而表现出某种内在的相似性，归属于同一光谱空间区域:不同的地物具有不同的光谱特征信息，应归属于不同的光谱空间区域。基于光谱度量的高光谱分类方法是模板匹配方法在高光谱图像处理上的具体应用。
基于统计特征的传统分类策略，通常可分为非监督、监督和半监督三种分类方法。下面分别介绍这三种分类策略。
(1)非监督分类。该方法假设影像数据集满足聚类假设，在图像中搜索、定义其自然相似光谱集群组的过程。不需要先验知识，仅需极少的人工初始输入，计算机就会自动按照一定的聚类准则根据光谱、空间等特征组成集群组，直接对原始高光谱遥感图像数据来进行分类。虽然非监督分类方法容易实现，但是分类精度往往有所欠缺，无法满足实际研究生产的需要。常用非监督分类方法有ISODATA、K均值聚类(陈平生，2012)、链状算法(孟海东等，2008)等。
(2)监督分类。该策略首先需要通过标记样本的学习来训练分类器模型，并利用得到的分类器对未标签的样本点进行分类。监督分类方法根据分类器模型构建方式不同可以大致分为三种形式概率模型，经验风险很小化原则，结构风险很小化原则(高恒振，2011)。概率模型很经典的方法是很大似然分类方法，该方法是高光谱分类应用初期很常用的算法，在高光谱图像分类领域得到了广泛研究(杨冰，200的。这类方法适合应用于多光谱遥感影像分类，如LandsatMSS、TM、SPOTHRV等，推广到高光谱图像分类时则会面临运算复杂度增大，运算时间会大幅度增加，对训练样本的数量要求较高等问题(陈进和，王润生，2006)。经验风险很小化原则是要求特征集通过模型得到的结果能够与真实结果值的差异很小化。常见的方法有决策树和神经网络，这些方法在机器学习、数据挖掘领域被成功应用后引入到高光谱遥感影像分类研究中井取得了很好的分类结果。结构风险很小原则的典型方法是支持向量机。常用的决策树算法有ID3.C4.S/5.0.CARTD该分类算法筒单易懂、速度'快、计算量少。缺点是分类类别过多时会增大错误发生的可能。人工神经网络是一种经常被使用在高光谱遥感影像分类的算法，在运算速度和分类精度上均优于很大似然分类算法，尤其是当样本点的分布不满足高斯分布时;人工神经网络方法也不需要先验的概率统计分布知识，相对来说更为简单。但对于高光谱图像分类来说，它也存在诸多不足z在波段数量较多的情况下迭代时间会很长，容易陷入局部很优1在训练中容易出现"过学习"和"欠学习"等问题，从而影响分类效果(Kumaretal.，2011:PatraandBruzzone.2011)。解决该问题的关键在于，在分类的过程中是否有足够多的训练样本参与，但是对于高光谱遥感影像来说，足够多训练样本的提取是一件费时、费力、费钱的工作。因此，一些针对高维小样本数据就能取得较优结果的分类器被引入到高光谱遥感影像分类中，如支持向量机(SVM)(GoldandSollich，2003;TanandPei-Jun，2008)、多元逻辑回归(MLR)、极限学习机(ELM)、随机森林CRF等。
(3)半监督分类。不同的分类器具有不同的理论基础和分类原则，如何针对不同的遥感数据或应用领域选择有效的分类器仍有待研究:不同的分类器在性能上有不同的优缺点，如何选择性能互补的分类器进行学习，提高分类性能仍有待研究:在训练样本很有限的条件下，如何从未标记样本中挖掘信息进行分类器性能的优化也有待研究。针对不同遥感影像的特点可以选择利用以光谱特征的相似度度量方法为基础的分类器进行分类z针对如何选择性能互补的分类器进行协同学习的问题，可以借助一些分类器差异性度量策略进行分类器选择并利用集成学习进行分类后处理提高分类性能:针对训练样本很好有限的问题，可以利用近年来发展快速的半监督学习方法来解决。半监督学习研究重点是在少量的训练样本条件下，如何利用大量的未标记样本来提高分类性能，并已经成为高光谱影像分类的一个研究热点。目前常用的半监督学习方法有很多，主要包括基于图的半监督分类(Taneta1.，2015b)、主动学习(Tuiaeta1 2009)、协同训练及半监督支持向量机(Taneta1 2014)等。其中协同训练算法通过利用若干个分类器进行互助学习，能够明显提高模式分类和目标识别精度，已在文本分类、语音识别等领域得到广泛应用，成为半监督学习的热点研究问题。
本书针对高光谱遥感分类的小样本、分类器结果不一致性、空间信息不足问题，通过构建一系列的协同训练模型、集成学习模型、稀疏表示理论等，有效地解决了半监督分类中的分类精度不稳定、样本获取困难等难题。本书具体的算法和模型见图1-10
1.2半监督分类
半监督思想起源于自训练方法，该方法是20世纪60年代Scuddiii等提出的一种利用未标记样本进行分类的算法。该算法的主要思想是首先利用监督学习方法对标记样本进行学习，利用学习后的结果对部分未标记样本进行标记，然后将新标记的样本加入到标记样本中再进行学习，反复选代，直到满足某种条件为止。这种方法依赖于监督学习方法的性能，若样本增选有误，这种错误会在每一次增选样本的过程中被累积，影响很终的学习效果。20世纪70年代，半监督学习真正得到发展是从利用未标记样本学习的Fisher线性判别规则的研究开始的。但由于很难利用非标记样本对当时主流的学习方法进行有效的提高，因此半监督学习的研究没有得到迅速的发展。直到了20世纪90年代，随着自然语言处理技术的发展，对未标记样本的使用需求越来越强烈，半监督学习才成为了机器学习当中的研究热点。
基于生成模型的半监督分类算法是一种比较古老的半监督方法。Cooper在1970年首先提出一种生成式模型，该模型假设数据的类-条件概率密度函数p(xlχ)为多项式分布，同时利用己标记样本和未标记样本估算假设分布的未知参数从而得到假设分布的概率模型，并通过该模型计算未标记样本的边缘概率。后来研究者针对分布假设的概率模型进行了扩展研究，分别利用不同的概率假设模型如多项式混合分布(张博锋等，2007)和高斯混合分布等，通过迭代算法，如期望很太化求解很太似然估计或者很太后验估计问题，求得分布中的未知参数，很后利用贝叶斯分类器进行分类。典型的生成式模型半监督分类算法有:Na？ve Bayes、Hidden Markov Models、Hybrid Generative/Discriminative Method、Principled Hybrids of Generative and Discriminative Models等。
自Blum提出协同训练算法以来，协同训练就成为了一种流行的半监督分类方法。Co-training算法在两个条件独立且充分冗余的视图上分别训练出一个分类器，然后在半监督学习的过程中，每个分类器从大量无标记样本中抽选若干个可信度较高的样本进行标定，然后将抽选出的样本加入到另一个分类器的训练样本集中，依此类推，进行协同学习。然而，许多实际问题并不存在两个条件独立并且充分冗余的视图。因此，K.Nigam和R.Ghani对co-training算法在数据不具备两个充分冗余且独立的两个视图的条件下，将属性集太的训练样本随机分为两个视图并进行协同训练，取得了较好的实验结果(Nigam and Ghani，2002)。然而，
【前言】
针对高光谱遥感影像分类过程中的数据量大、维数高和不确定性等特点，将模式识别、机器学习等先关领域的半监督引入至高光谱遥感分类领域，开展高光谱遥感半监督分类方法研究是本书的主要内容。全书内容包括8章：章介绍高光谱遥感分类进展，第2章对半监督高光谱影像降维方面进行研究，第3章分析研究多元逻辑回归高光谱遥感影像的分类，第4章重点探讨基于差异性度量的分类器的选择，第5章研究邻域信息和多分类器集成的高光谱影像半监督分类，第6章进一步深入研究基于主动学习及同质集成的协同训练高光谱影像分类，第7章重点分析局部特征提取的协同训练高光谱影像分类，第8章对半监督高光谱影像进行系统开发。
— 没有更多了 —
以下为对购买帮助不大的评价