高分二号影像树种分类最优分割尺度的非监督选择

良好的影像分割结果能够提高树种分类的精度,而分割效果取决于最优分割尺度(optimal scale parameter,OSP)的选择。以往研究依赖人为设置的尺度序列,结果具有主观性。为避免此问题,以高分二号影像(GF-2)为数据源,提出一种基于有效尺度区间的非监督OSP选择方法,用于确定不同森林类型最佳分割结果出现的分割尺度。影像分割采用多分辨率分割(multi-resolution segmentation,MRS)算法,通过构建有效尺度区间估计函数(effective scale interval estimation functions,ESF),结合总体优度函数(overall goodness F-measure,OGF)得出不同森林类型在不同尺度区间下的OSP,最后依据监督分割精度分析结合谷歌地图目视判读确定最佳分割结果。结果表明,OGF在有效尺度区间Ⅲ获取的OSP得到了各森林类型的最佳分割结果,监督分割评价方法(F-measure)的最低和最高值分别为0.7311和0.8733。同时,在GF-2影像树种分类的分割任务中,OSP与树种和森林类型有关。研究结果为高分辨率遥感影像树种分类的对象提取提供技术支撑,同时为不同地物组成的复杂影像分割尺度参数选择提供方法。

用于非监督特征选择的免疫克隆多目标优化算法

提出一种基于免疫克隆多目标优化算法的特征选择方法,先将非监督特征选择问题归结为多目标优化问题,然后构造相应的问题模型和目标函数.最后,采用免疫克隆多目标优化算法,通过增加相关特征的显著性,减小不相关特征的显著性来实现每个特征显著性的优化,达到特征选择的目的.UCI数据集的仿真实验表明,该算法降低了错误识别率,验证了其在非监督特征选择中的应用潜力.

基于图结构优化的自适应多度量非监督特征选择方法

非监督特征选择是机器学习领域的热点研究问题,对于高维数据的降维和分类都极为重要。数据点之间的相似性可以用多个不同的标准来衡量,这使得不同的数据点之间相似性度量标准难以一致;并且现有方法多数通过近邻分配得到相似矩阵,因此其连通分量数通常不够理想。针对这两个问题,将相似矩阵看作变量而非预先对其进行设定,提出了一种基于图结构优化的自适应多度量非监督特征选择(SAM-SGO)方法。该方法将不同的度量函数自适应地融合成一种统一的度量,从而对多种度量方法进行综合,自适应地获得数据的相似矩阵,并且更准确地捕获数据点之间的关系。为获得理想的图结构,通过对相似矩阵的秩进行约束,在优化图局部结构的同时简化了计算。此外,将基于图的降维问题合并到所提出的自适应多度量问题中,并引入稀疏l_(2,0)正则化约束以获得用于特征选择的稀疏投影。在多个标准数据集上的实验验证了SAM-SGO的有效性,相比较于近年所提出的基于局部学习聚类的特征选择和内核学习(LLCFS)、依赖指导的非监督特征选择(DGUFS)和结构化最优图特征选择(SOGFS)方法,该方法的聚类正确率平均提高了约3.6个百分点。

基于聚类的高光谱图像非监督波段选择方法

非监督波段选择方法是高光谱图像降维的主要方法,但现有方法应用到实际高光谱图像分类时,分类精度并不理想。本文提出一种改进的基于聚类的高光谱图像非监督波段选择方法,主要通过对传统的K-means聚类算法进行两方面改进:一方面是相似性度量函数;另一方面是聚类中心的选取。然后,通过实验数据用支持向量机法(SVM)对所提算法及现有的三种非监督波段选择方法进行分类。最后,用总体精度(OA)和Kappa系数评价分类结果。表明本文所提方法在分类精度方面优于其他现有方法。

p值统计量建模独立性的高光谱波段选择方法

近年来,p值统计量的使用规范引起了统计学界的极大关注和集中讨论,广泛认为,p值统计量可表达观测数据与备择假设之间的不相容程度。为探究高光谱图像波段的相关分析p值与其样本独立性的联系,进行了演绎推理和实例验证,研究表明,与相关系数r统计量相比,相关分析p统计量可直接表达波段样本的独立性,且p值矩阵具有高水平的自稀疏性,便于建模和计算。进而,对相关性p值矩阵进行直方图频数统计,提出一种基于p值的高光谱自适应波段选择方法 p SMBS。选取典型数据进行了监督分类实验,结果表明,在Kappa系数、总体精度(OA)和平均精度(AA)上,p SMBS均优于同类方法 ABS、Inf FS和LSFS。说明p SMBS在高光谱波段选择方面具有突出的有效性,这也佐证了相关性p值对波段独立性的强表征能力。

基于三元组排序局部性的SOCFS改进算法

特征选择是一种常用的机器学习降维方法,然而传统非监督特征选择算法在保持数据样本维度的局部结构时,却忽略了排序局部性对特征选择的影响。利用数据的三元组局部结构,构建数据之间的排序关系并在特征选择过程中进行局部性保持,提出基于三元组排序局部性的同时正交基聚类特征选择(SOCFS)改进算法,选择具有局部结构保持性且判别区分度高的特征。实验结果表明,与传统非监督特征选择算法相比,SOCFS改进算法聚类效果更好、收敛速度更快。

高光谱图像的JM变换自适应降维

在无需先验标签样本的情况下,非监督降维可以有效简化高光谱图像的特征空间,避免目标分类中的霍夫效应。本文提出JM非线性变换优化的自适应降维模型来研究面向图像目标分类的高光谱波段选择问题。该方法考虑波段的信息量和独立性等两个重要因子,针对其测度方法的差异性问题,引入JM变换函数进行规范化优化。选用线阵高光谱和面阵显微光谱等两个图像数据集,在k最邻近和随机森林分类器下,进行了多组监督分类实验,结果表明,在Kappa系数、总体分类精度和平均分类精度上,本文方法均优于3种非监督方法MABS、InfFS和LSFS。说明本文提出的JM变换的自适应降维模型能够有效降低特征维度,满足高光谱图像分类的高精度要求。