双层视图筛选下多视图主动学习的高光谱图像分类.docx

"双层视图筛选下多视图主动学习的高光谱图像分类" 本文主要研究了高光谱图像分类（HIC）中小样本情景下的多视图主动学习算法。介绍了高光谱图像分类的重要性和挑战，接着讨论了主动学习算法的研究现状，包括单视图主动学习（SVAL）和多视图主动学习（MVAL）。然后，详细介绍了多视图主动学习的两个重要组件：多视图生成和样本选择策略。多视图生成方法包括波段的平均划分、基于相关性的光谱聚类、随机划分法、2D-Gabor 滤波、基于 3D-Gabor 滤波等。样本选择策略则包括计算视图条件互信息（CMI）和基于多样性强度值的筛选策略。 在高光谱图像分类中，如何获得兼具差异性、互补性和多样性的视图是关键所在。本文提出了一种基于双层视图筛选策略的多视图主动学习算法框架，该框架包括多视图生成、多视图筛选和候选样本筛选三个主要部分。对原始高光谱图像进行 3D-Gabor 滤波，得到与原始高光谱图像尺寸相同、兼具空间−光谱信息的 Z 个数据立方体。然后，进行双层视图筛选，先利用 Fisher’s (FR) 准则衡量全部 Z 个 3D-Gabor 立方体的类别可分性，再将类别可分性按大小进行排序，选择其中 FR 值最大的 X 个 3D-Gabor 立方体，然后从这 X 个立方体中选择 Y 个彼此最不相似的立方体，将这 Y 个数据立方体作为 Y 个多视图进行后续的多视图主动学习。 本文的贡献在于提出了基于双层视图筛选策略的多视图主动学习算法，有效地降低了计算量，提高了分类精度。实验结果表明，所提出的算法框架可以提高高光谱图像分类的精度，且具有实时性强和计算效率高的优点。 知识点： 1. 高光谱图像分类（HIC）是高光谱图像解译中的重要分支，但高光谱图像中已标记训练样本十分稀缺，限制了高光谱图像分类精度的提升。 2. 主动学习算法的研究主要可以分为单视图主动学习（SVAL）和多视图主动学习（MVAL）。 3. 多视图主动学习包括多视图生成和样本选择策略两个重要组件。 4. 多视图生成方法包括波段的平均划分、基于相关性的光谱聚类、随机划分法、2D-Gabor 滤波、基于 3D-Gabor 滤波等。 5. 样本选择策略包括计算视图条件互信息（CMI）和基于多样性强度值的筛选策略。 6. 本文提出了一种基于双层视图筛选策略的多视图主动学习算法框架，包括多视图生成、多视图筛选和候选样本筛选三个主要部分。 7. 双层视图筛选策略可以有效地降低计算量，提高分类精度。 8. 3D-Gabor 滤波器可以从光谱和空间域提取相关信息，获得最佳的联合时频分辨率。 9. Fisher’s (FR) 准则可以衡量全部 Z 个 3D-Gabor 立方体的类别可分性。 10. 本文的贡献在于提出了基于双层视图筛选策略的多视图主动学习算法，提高了高光谱图像分类的精度和效率。