基于半监督集成的遥感图像的分割和分类

《基于半监督集成的遥感图像的分割和分类》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要摘要遥感对地观测技术目前已广泛应用于战场情报侦察、目标识别、气候变化监测、植物生长监测、灾害监测、数字地球等方面。遥感图像的分割，分类和识别是遥感图像处理和解译的关键。近年来，半监督学习理论和方法已经引起了广泛关注，本文研究基于半监督学习理论和方法的遥感图像分割与分类，主要分为以下几个方面：1．针对谱聚类算法对参数的敏感性和不能应用于大规模数据聚类的局限性，构造应用于大规模数据聚类的基于随机均匀采样结合最近邻准则的半监督多参数谱聚类算法。采用自调节参数从而避免参数的选择，在聚类中加入成对限制的先验信息来提高聚类性能。实验

2、结果表明：该算法在多光谱遥感图像的分割中表现出良好的性能。2．针对SAR图像目标的特性，提出一种基于半监督路径相似度的Semi．Boost集成算法，并将其应用于SAR图像目标识别。对数据点的相似度矩阵加入由有标签样本产生的成对限制信息，通过该相似度矩阵的引导，把无标签样本中置信度较高的点加入到有标签的训练样本中，通过多个加权的个体SVMs集成从而提高算法的性能。实验结果表明：该算法较传统的目标识别方法识别精度得到了提高。3．构造了一种基于Boosting的谱聚类集成方法。利用基于Boosting的自适应重采样技术和随机尺度参

3、数构造具有多样性的个体谱聚类，不仅避免了尺度参数的选择，同时为集成系统提供了所需要的个体多样性；通过一致性函数MCLA合并多个聚类结果。该算法在UCI数据集聚类，合成纹理图像分割以及SAR图像分割中表现出良好的特性以及对参数的鲁棒性。关键词：半监督谱聚类路径相似度Semi．Boost自适应重采样SAR目标识别SAR图像分割多光谱遥感图像分割ABSTRACTIIIABSTRACTTheearthobservationtechnologyofremotesensinghasbeenwidelyusedinbattlefieldi

4、ntelligenceandreconnaissance，targetrecognition，climatechangemonitoring，vegetationmonitoring，disastermonitoring，digitalearthetc．Segmentation，classificationandrecognitionarethekeytechnologiesinremotesensingimageprocessingandinterpretation．Inrecentyears，semi—supervise

5、dlearninghasattractedincreasingattention，SOthispaperhavearesearchonremotesensingimageprocessingusingthesemi—supervisedlearningtheoryandmethods．Themaincontributionsofthispapercallbesummarizedasfollows：1．Asemi—supervisedspectralclusteringalgorithmforlarge-scaledatacl

6、usteringisproposed．Theuniformsamplingtechniquecombinedwithnearestneighborruleisusedforthelarge-scaledataclustering．Pairwiseconstraintsareincorporatedintospectralclustertoconstructsemi—supervisedspectralclusteringinwhichtheself-tuningparameterisappliedtoavoidthesele

7、ctionofthescalingparameter．Theexperimentalresultsonthesegmentationofmulti-spectralremotesensingimageshowtheeffectivenessandpotentialoftheproposedmethod．2．BasedontheSemi—Boostensemblemethodwithsemi-supervisedpath-basedsimilarity,atargetrecognitionsystemfortheSARimag

8、esisputforward．Addthepairwiseconstraintsinformationgeneratedbythelabeledsamplesintothesimilaritymatrix．Andguidedbythesimilaritymatrix．theunlabele