基于域自適應學習的高光譜圖像分類.pdf

1、在過去幾十年中，由于光譜傳感器設備和信息處理技術的不斷更新?lián)Q代，為遙感圖像研究者提供了更為豐富的空間信息、譜帶信息和時域信息。具有較高的光譜分辨率的高光譜圖像的出現(xiàn)為我們開辟了新的應用――高光譜圖像分類（Hyperspectral Image Classification），即以像素點為單位，利用每個像素點上所具有的高維光譜信息，以某種特定的方法進行類標標記，從而完成對圖像中地物的分類任務。高光譜圖像分類目前已廣泛應用于軍事領域和民用領

2、域。
　　傳統(tǒng)的監(jiān)督學習分類方法雖然在高光譜分類領域取得了較好的分類精度，但是這類方法都普遍依賴于訓練樣本，并且獲取高光譜圖像類標并不容易，往往需要消耗較高的成本。域自適應算法則是將在已知區(qū)域訓練好的分類模型遷移到未知區(qū)域，這樣就能避免重復地標記訓練樣本，從而節(jié)省大量的人力和物力。本文分別從兩個不同角度出發(fā)，提出了兩種域自適應算法：首先從分類器角度為出發(fā)點，提出了主動多核域自適應分類算法。不同的核函數(shù)則意味著不同的“映射”方式，而

3、多數(shù)情況下我們并不知道哪一種核函數(shù)更適用于目前的數(shù)據(jù)集，所以我們采用核的線性加權求和的方法，解決了核函數(shù)選擇問題，并結合最大平均差異使多核分類器具備了基本的域自適應能力；而主動學習讓多核分類器在較少的訓練樣本前提下得到更高的分類精度。其次，從數(shù)據(jù)域的角度出發(fā)，提出了更加直觀的算法――基于核對齊的域自適應分類算法；根據(jù)現(xiàn)有理論，要匹配源域和目標域的概率分布，只需要匹配二者的核矩陣即可；這時問題就轉化為對域的核矩陣變換，首先對目標域核矩陣進