论文部分内容阅读
基于统计模式识别的分类是遥感影像应用中最主要的信息提取方法。由于遥感影像信息统计分布的高度复杂性和随机性、人为选择样本时对待分类影像认知的有限性以及选择时的盲目性等因素,常导致得到的样本数量少且代表性不好,从而无法保证取得理想的分类效果。但目前传统的遥感影像分类方法研究和应用中都忽视了该问题,常以“样本选择无任何问题”为出发点评价方法的适用性和参数设置,这不利于遥感影像信息提取技术研究和应用的深入发展。本文的工作主要针对遥感影像分类中人为选择样本少且代表性不好的问题,研究如何充分挖掘分类器和待分类影像的潜力,使影像分类结果最大限度的得到改善。论文主要包括以下两个部分:第一,在深入分析遥感影像分类时经常出现的人为选取样本代表性不好问题的基础上,针对遥感影像数据特点和分类特点,引入半监督学习分类方法,开展了基于半监督学习的遥感影像分类技术研究;第二,面向遥感应用中全自动分类和对无法获取有效样本区域的分类问题,基于发展的适用于遥感影像的半监督学习分类技术,分别提出了有效的解决方法。具体内容如下:(1)发展了基于半监督学习的遥感影像分类方法在分析遥感影像数据特点的基础上,基于半监督学习方法中与遥感影像数据分布特点一致的两种假设,研究并发展了基于生成模型和直推式思想的遥感影像半监督学习分类技术。基于生成模型的技术研究中,推导并修正了EM算法的递归公式,从遥感影像分类应用的角度给出了修正依据;面向遥感影像分类特点和需求,给出在一个类别对应一个概率混合成分和一个类别对应多个概率混合成分时的分类方法,并分别给出相应的算法流程;发现了休斯现象在半监督学习分类中同样存在;根据设计的分类实验,从经验角度给出了已标记样本集和未标记样本的用量比例参考。针对现有基于直推式思想的遥感影像方法研究中,因未考虑遥感数据特点而导致未标记样本的标注效率低下、分类精度不高的问题,提出了一种适用于遥感影像的未标记样本标注方法;分别应用到目前主流的中分辨率遥感影像和高分辨率遥感影像分类中,给出了基于象元的分类方法流程,和基于分割对象的高分辨率遥感影像半监督学习分类方法流程框架,并指出发展的基于分割对象的分类方法体现了真正意义上的直推式学习。为更全面的评价和分析所发展的两种方法,开展了基于生成模型的方法和基于直推式方法的分类效果对比,并分析了两种方法的适用性。(2)基于发展的半监督分类方法解决了遥感应用中的两个技术难题面向遥感应用中对全自动分类技术和训练样本拓展应用技术的需求,在分析半监督学习方法在上述应用领域中的适用性的基础上,开展了相应的研究。遥感影像的全自动分类是今后大规模、高频度、重复性区域遥感监测技术发展的重要方向。提出一种以建立预设样本集的方式,基于半监督学习的遥感影像全自动分类技术。已标记样本不一定来自待分类影像本身,但却在一定程度上代表影像覆盖的区域。通过在区域性样本集建立策略下的全自动分类实验,给出了可行的基于半监督学习的遥感影像全自动分类方法。面向目前国家海域使用监测中对高自动化信息提取的需求,提出一种针对海岸带滩涂围垦信息的半监督学习全自动提取方法。遥感影像分类样本的时空拓展应用在灾情的应急监测、跨区域的遥感监测和跨国界的军事监测等方面意义重大。代表性不好是样本难以在覆盖不同时空的影像分类中有效应用的主要障碍。为应对该问题,提出了一种遥感影像半监督学习分类样本拓展技术。已标记样本完全不来自待分类影像,甚至无法确定对影像覆盖的区域的代表性。分别针对近距离、应急监测中的样本拓展应用,和远距离、跨国界科学研究和军事意义上的分类样本拓展,开展了实例应用。并根据实验结果对比分析了提出方法和一般半监督学习的异同。