基于混合差分演化算法及集成迁移学习的高光谱遥感图像分类方法研究

For the issue that hyperspectral remote sensing image has high feature dimension and training example insufficient, this project studies a classification method based on hybrid differential evolution algorithm and ensemble transfer learning.. Through analysis the relationship between hyperspectral remote sensing image classification objects and band selection, construct an evaluation system based on band’s number, information, relativity, and classification accuracy. Then, build a self-adaptive band selection model based on differential evolution algorithm. And propose a hybrid differential evolution algorithm self-adaptive band selection strategy, through research the population diversity and local search ability of differential evolution to solve the high dimension problem. . Based on dimension reduction, for the issue of hyperspectral remote sensing image training example is not enough, research the training example increase method based on transfer learning. Then, consider the classification accuracy and time consume, build a classification model through the extreme learning machine learned on training example. In order to solve the single classification model is not accuracy, propose hyperspectral remote sensing image classification method based on ensemble transfer learning, through combine many single classification model, and realize accurate classification.. Finally, we established a hyperspectral remote sensing image classification system that executes visualized comparison with other algorithms to prove the feasibility and effectiveness of the classification algorithm generated in this project. This project provides an innovative way for hyperspectral remote sensing image classification that greatly accelerates the development of hyperspectral remote sensing technology, with great theoretical significance and practical values.

针对在高光谱遥感图像分类中特征维数高、训练样本不足的问题，本项目研究一种基于混合差分演化算法及集成迁移学习的分类方法。通过分析高光谱遥感图像分类目标和波段选择之间的关系，构建基于波段数量、信息量、相关性、分类精度的波段选择评价体系；研究差分演化算法在解决高维问题中的种群多样性和局部搜索能力，提出基于混合差分演化算法的自适应波段选择策略实现降维；在有效降维的基础上，研究高光谱遥感图像训练样本不足的问题，提出基于迁移学习的方法提高训练样本数量；在兼顾分类精度和时间效率的要求下，建立一个基于超限学习机的快速分类模型；分析单一分类模型的不准确问题，提出基于集成迁移学习的分类方法，集成每次迁移后学习得到的单一分类模型，实现准确分类；通过实验研究，探讨所提出方法在高光谱遥感图像分类中的应用。本项目的研究将为高光谱遥感图像分类提供新的解决途径，促进高光谱遥感处理技术的发展，具有重要的理论意义和应用价值。

针对在高光谱遥感图像分类中特征维数高、训练样本不足的问题，本项目研究一种基于混合差分演化算法及集成迁移学习的分类方法。演化算法在高光谱遥感波段选择中已有应用，但基本上都是选择固定数量的波段，而且搜索的范围仅局限于初始化种群，如何根据分类目标在全波段范围内自适应选择波段，在信息量大、冗余性小的条件下，达到波段数量少、分类精度高的目的，实现有效降维，是本项目必须首先解决的关键科学问题。我们探讨了多种不同演化算法的波段选择方法，以波段信息含量的多少、各波段间相关性的强弱、分类精度高低为主要因素，构建了以波段数量、相关性、冗余度等目标的多目标优化波段选择方法，通过实验分析发现，包括差分演化算法、MOEA/D等算法，存在无法自适应确定波段数量、无法有效剔除冗余波段、收敛速度慢等问题，因此通过引入稀疏理论、注意力机制、端到端学习的方法，采用NSGA-II的多目标优化方法自适应选择最佳波段组合。在训练样本不足的影响下，如何发将高光谱遥感图像中不同区域有用的样本迁移到训练样本集以提高训练样本数量，在兼顾分类精度和时间效率的情况下，对高光谱遥感图像快速、准确的分类，是本项目最终需要解决的关键科学问题。首先，我们研究了几种集成学习策略与迁移学习相结合的方法；其次研究了比较前沿的计算机视觉、深度学习及相互结合的方法，实验证明我们所提出的方法不仅能有效解决高光谱遥感图像分类中训练样本不足的问题，而且还提高了分类精度，降低了训练时间。通过实验研究，探讨所提出方法在高光谱遥感图像分类、情感分类、目标检测中的应用。本项目的研究为高光谱遥感图像分类提供新的解决途径，促进高光谱遥感处理技术的发展，具有重要的理论意义和应用价值。在本项目的资助下，项目申请人获批国家自然科学基金面上项目1项，湖北省自然科学基金项目1项，发表学术论文19篇，申请国家发明专利5项、获批4项，获批软件著作权5项，培养博士生1名，硕士生8名，其中1名为留学硕士研究生。