層次流形學習及其在監(jiān)督分類中的應用.pdf

1、隨著高分辨率遙感衛(wèi)星QuickBird、IKONOS等數據廣泛的應用以及近年來我國“高分一號”與“高分二號”衛(wèi)星的陸續(xù)成功發(fā)射，對地觀測已進入了全新的高分辨率時代。高分辨率遙感影像應用需求不斷增加，對高分辨率遙感影像處理能力的要求也日益提高。然而，目前高分辨率遙感影像處理的自動化程度偏低，需要解決高分辨率遙感影像自動分類中的一些關鍵技術問題，對于充分發(fā)揮高分辨率遙感影像數據的應用效能具有重要的應用價值。
　　面向對象圖像分類已經成

2、為高分辨率遙感影像處理中最重要的方法之一。為了充分利用高分辨率遙感影像精細的紋理結構信息，往往提取光譜、形狀、紋理結構等各種特征表達影像對象，在面向對象分類中，這將引起特征維數偏高，容易出現維數災難，對高維特征進行降維是解決問題的一個切實可行的途徑。因此，在面向對象高分辨率遙感影像監(jiān)督分類中，影像對象的高維特征降維問題將是本文需要深入研究解決的一個關鍵技術問題。
　　在過去的10多年時間里降維已經在機器學習和模式識別領域受到越來越

3、多的關注。線性降維方法無法發(fā)現非線性流形上高維數據的內蘊結構。流形學習是最有代表性的非線性降維方法之一，已經在信息處理領域中獲得很多成功的應用，然而當流形學習用于監(jiān)督分類尤其是層次分類時，效果并不理想。為了解決這一問題，本文提出了層次流形學習，在降維過程中通過提取共享特征來表達父流形的信息，并且通過廣義回歸神經網絡以較低的計算代價解決流形學習中的樣本外點學習問題，并將提出的層次流形學習應用于高分辨率遙感影像監(jiān)督分類，與其它流形學習方法相

4、比，取得了更好的分類性能。
　　本文的工作與主要創(chuàng)新點概括如下：
　　(1)當前絕大多數的流形學習方法假定所有的高維數據點位于只有一層結構的單個流形上，而多流形學習的研究缺乏層次性，這些方法難以高效處理多級分類問題。為此，本文給出“子流形”與“父流形”的概念，并在此基礎上，提出層次流形學習。這樣的學習算法可同時利用樣本的類內局部幾何結構信息和類間的標簽信息,根據給定的訓練樣本以自下而上的方式構造層次流形，然后用計算得到的最優(yōu)

5、非線性映射函數進行降維，得到的低維嵌入更有利于分類。
　　(2)絕大多數的流形學習算法都是無監(jiān)督學習，流形學習用于監(jiān)督學習時，還存在樣本外點學習問題，目前還沒有找到一種簡單而又有效的方法來處理樣本外點學習問題。論文中提出用廣義回歸神經網絡來解決當流形學習用于監(jiān)督分類時樣本外點學習這一問題，其中，平滑因子和閾值這兩個重要參數的取值對廣義回歸神經網絡的性能有較大的影響。
　　(3)在構建本文提出的層次流形學習中，需要研究如何以自

6、下而上的方式利用子類樣本特征中表達父流形問題。為此，文中提出了共享特征概念來描述父流形?，F有的基于AdaBoost的共享特征提取方法存在很多不足，論文中提出一種基于特征映射的共享特征提取方法，算法的核心是計算廣義瑞麗商，提取得到的共享特征可以用來表達父流形的共性特征，并用于構造父流形。
　　(4)根據上面的方法的研究，利用國際上廣泛采用的21類高分辨率遙感數據集以及上海市區(qū)SPOT5衛(wèi)星遙感影像數據進行監(jiān)督的土地利用分類，與LDA