基于多视图协同训练的高光谱遥感影像分类

Hyperspectral remote sensing image classification is currently a hot research field of remote sensing information processing，though there are still many challenges in the selection, accuracy stability, efficiency of classifier algorithms for hyperspectral remote sensing image processing. Faced with those difficulties in hyperspectral remote sensing image processing and the development of advanced machine learning, multiview co-training is introduced into hyperspectral remote sensing image classification. Based on multiview co-training，we intend to design the framework of hyperspectral remote sensing classification. Chosen the different feature sets as multiview classification, it is studied the multiview single classifier, multiview multi-classifier, multiview multi-source data classification etc., and then investigated the differences in multiview co-training diversity measurement, optimized selection of member learners and ensemble strategies in image classification. To solve the problem of computing efficiency, we introduce CUDA (Compute Unified Device Architecture) parallel computing technology. Finally, case studies on urban growth, land cover classification, environment monitoring using hyperspectral remote sensing images will be experimented to validate the proposed methods, and the effective multiview co-training strategies for hyperspectral remote sensing image processing will be concluded. Advance in cross-integration of remote sensing science, machine learning, pattern recognition and other disciplines, this study can effectively improve the accuracy and reliability of hyperspectral remote sensing image classification, and enhance the application of hyperspectral remote sensing information processing.

高光谱遥感影像分类是目前遥感信息处理领域的研究热点，但在分类器选择、精度稳定性、处理效率等方面仍存在许多问题需要解决。针对高光谱遥感影像分类的难点和机器学习的研究进展，将多视图协同训练引入高光谱遥感影像分类，构建基于多视图协同训练的高光谱遥感影像分类的方法体系，选择不同的高光谱多特征集作为分类视图，研究多视图单分类器、多视图多分类器、多源数据多视图分类等组合方式，探索多视图协同训练的差异性测度、学习机优化算法、多分类器集成学习策略等关键问题，引入CUDA并行遥感技术解决运算效率的问题。通过城市扩展、土地覆盖分类、矿区环境监测等应用实例进行算法评价，归纳适用于高光谱遥感影像分类的多视图协同训练策略。研究成果能促进遥感科学、机器学习、模式识别等学科的交叉融合，能有效提高高光谱遥感影像分类和信息处理的精度和可靠性，推进高光谱遥感信息处理的应用。

本项目面向高光谱遥感影像处理与信息提取的需求，针对高光谱遥感影像分类中的小样本情况下分类精度过低的问题，研究了多视图学习、协同训练、主动学习、深度学习等算法，通过协同训练与高光谱遥感影像处理的有机结合，构建了基于多视图协同训练的高光谱遥感影像分类方法体系，解决了其中涉及的特征空间与学习机差异性测度与选择、多视图协同训练算法、新型学习机协同处理策略、协同训练的并行运算方法、精度评价与算法优化等关键问题，改进了高光谱遥感影像分类协同训练、多特征视图构建、遥感分类效率低等高光谱遥感分类问题，并通过环境遥感、地理国情监测、城市遥感等实际案例的应用，推动了高光谱遥感影像处理新方法的研究，为高光谱遥感影像的全面深入应用提供技术支持。.（1）在深入研究传统的协同训练算法理论知识基础之上，提出将主动学习、空间邻域信息及多尺度同质集成融入到协同训练算法中。针对常用的一对一及非一对一差异性度量策略中存在的一些问题，在考虑分类器整体分类结果的差异性基础上，充分融入在每类地物样本分类结果的差异性，提出一种新的一对一差异性度量策略。.(2)针对常用样本选择方法中存在的一些问题，通过阈值将有效类别进行筛选，之后通过方差来度量各个有效类别之间的不易区分程度，最后选出相似度最大的非标记样本进行标记。在半监督分类过程中，提出一种新的样本确定算法。以待确定的非标记样本为中心像元，通过设定圆形搜索区域寻找出邻域内出现的训练样本并以此形成标签可能集合，之后与分类器结果进行对比确定中心像元的标签。.（3）通过研究RBM模型作为特征提取方法和分类方法的基础上，采用RBM模型构建了两种深度神经网络。DBNs模型通过逐层贪婪的训练方法实现了深度神经网络的有效训练，RBM-DNN模型实现了一个自包含的深度神经网络。