基于遷移學習的高光譜圖像分類.pdf

1、高光譜遙感成像是一種新型的遙感技術,它通過各種各樣的成像光譜儀對地表進行成像。由于成像的波段都很窄,所以高光譜圖像能探測出許多傳統(tǒng)遙感成像中不能探測出的物質(zhì),并且具有波段多,分辨率高等特性,為人們提供了更多的信息進行研究。正是由于高光譜圖像的這些優(yōu)勢,近年來已經(jīng)在遙感領域中取得飛速的發(fā)展,越來越多的國家投入到高光譜圖像處理的研究中。分類是高光譜圖像處理中的一個重要步驟,由于高光譜圖像在分類問題中存在維數(shù)高,標記樣本少等問題,傳統(tǒng)的分類方

2、法直接用到高光譜圖像上并不能得到很好的效果。本文針對這些問題結合遷移學習的方法主要做以下兩個方面研究。
　　(1)基于遷移學習和EM算法的高光譜圖像分類算法,針對EM算法用于估計高光譜圖像的高斯混合模型時初始值選擇不好造成的分類結果差,精度低等問題,提出了通過遷移波段中相關的參數(shù)作為EM算法的初始值,主要利用的是高光譜數(shù)據(jù)中波段與波段間的相似性,并在高光譜圖像數(shù)據(jù)上進行實驗以驗證我們提出算法的有效性?；谶w移學習和聚類一致性的高光

3、譜圖像分類算法是針對高光譜圖像數(shù)據(jù)維數(shù)災難的現(xiàn)實和上述方法中存在的缺陷,利用聚類一致性的原理,通過遷移相關波段的分布信息來對不確定樣本點進行調(diào)整,以達到在降維的情況下獲得更好的分類結果。充分的利用了高光譜數(shù)據(jù)波段與波段間的分布相似的事實,然后在高光譜圖像數(shù)據(jù)上進行測試,驗證我們提出的算法。
　　(2)為了增加高光譜圖像的訓練樣本,我們提出了一種基于空間信息的樣本遷移方法,通過聚類算法獲得高光譜圖像的空間信息,然后利用遷移學習的原理