一种高光谱图像的半监督分类方法

doi:10.13474/j.cnki.11-2246.2018.0042

测绘通报 ›› 2018, Vol. 0 ›› Issue (2): 46-49.doi: 10.13474/j.cnki.11-2246.2018.0042

一种高光谱图像的半监督分类方法

李彩虹¹, 赵祎霏²

1. 兰州大学信息科学与工程学院, 甘肃兰州 730000;
2. 兰州大学资源与环境学院, 甘肃兰州 730000

收稿日期:2017-05-23 修回日期:2017-08-31 出版日期:2018-02-25 发布日期:2018-03-06
通讯作者: 赵祎霏。E-mail:yf_9712@163.com E-mail:yf_9712@163.com
作者简介:李彩虹(1964-),女,博士,高级实验师,主要从事模式识别研究。E-mail:licaihong@lzu.edu.cn
基金资助:
国家自然科学基金面上项目（41271360）；兰州大学君政基金（LZU-JZH1935）

A Semi-supervised Classification Method for Hyperspectral Images

LI Caihong¹, ZHAO Yifei²

1. School of Information Science & Engineering, Lanzhou University, Lanzhou 730000, China;
2. College of Earth Environmental Sciences, Lanzhou University, Lanzhou 730000, China

Received:2017-05-23 Revised:2017-08-31 Online:2018-02-25 Published:2018-03-06

摘要/Abstract

摘要：

基于密度的抽样和动态时间扭曲距离，提出了一种半监督高光谱模糊聚类方法。该方法首先应用基于密度的方法对样本进行抽样，然后采用动态时间扭曲距离计算样本之间的相似度，最后利用半监督模糊C均值算法进行聚类。为了验证所提出方法的有效性，在广泛使用的Indian Pines数据集和PaviaU数据集上进行试验。结果表明，本文提出的方法能够取得理想的分类结果。

关键词: 高光谱图像, 动态时间扭曲距离, 半监督模糊聚类, 密度抽样

Abstract:

Based on density sampling and dynamic time warping distance, this paper proposes a semi-supervised fuzzy cluster method to partition hyperspectral data set into several groups. The labeled samples are first obtained by density sampling method. Then the dynamic time warping distance is computed between a pair of samples. Lastly, semi-supervised fuzzy c-means is employed to cluster the hyperspectral image. To validate the proposed method, the Indian Pines and Pavia U data sets are chosen to feed our method. The experimental results show that it can discover the ideal clusters by the proposed method.

Key words: hyperspectral image, dynamic time warping distance, semi-supervised fuzzy clustering, density sampling

中图分类号:

P237

李彩虹, 赵祎霏. 一种高光谱图像的半监督分类方法[J]. 测绘通报, 2018, 0(2): 46-49.

LI Caihong, ZHAO Yifei. A Semi-supervised Classification Method for Hyperspectral Images[J]. 测绘通报, 2018, 0(2): 46-49.

参考文献

[1] 杨国鹏,余旭初,冯伍法,等.高光谱遥感技术的发展与应用现状[J].测绘通报,2008(10):1-4.
[2] 杜培军,夏俊士,薛朝辉.高光谱遥感影像分类研究进展[J].遥感学报,2016, 20(2):236-256.
[3] 张良培, 黄昕. 遥感影像信息处理技术的研究进展[J].遥感学报,2009, 13(4):559-569.
[4] 于文博,王忠勇,李山山,等. 整合超像元分割和峰值密度的高光谱图像聚类[J].中国图象图形学报,2016,21(10):1402-1410.
[5] 杨凯歌,冯学智,肖鹏峰,等. 优化子空间SVM集成的高光谱图像分类[J].遥感学报,2016, 20(3):409-419.
[6] 李宠,谷琼,蔡之华,等. 改进的主动学习算法及在高光谱分类中的应用[J]. 华中科技大学学报(自然科学版),2013, 41(S2):274-278.
[7] 孙乐,吴泽彬,冯灿, 等. 一种新的两分类器融合的空谱联合高光谱分类方法[J].电子学报,2015,43(11):2210-2217.
[8] 王俊淑,江南,张国明, 等. 融合光谱一空间信息的高光谱遥感影像增量分类算法[J].测绘学报,2015,44(9):1003-1013.
[9] 程志会,谢福鼎. 基于空间特征和纹理信息的高光谱图像半监督分类[J].测绘通报,2016(12):56-59.
[10] 罗甫林.高光谱图像稀疏流形学习方法研究[J].测绘学报,2017,46(3):400.
[11] 谢福鼎,李壮, 基于改进的半监督FCM算法的高光谱遥感影像分类[J]. 测绘通报, 2016(9):60-62.
[12] 邵远杰,吴国平,马丽.属类概率距离构图的半监督高光谱图像分类[J].测绘学报,2014,43(11):1182-1189.
[13] HUANG J B, SUN H L, KANG J M, et al. ESC:An Efficient Synchronization-based Clustering Algorithm[J]. Knowledge-based Systems, 2013, 40:111-122.
[14] KOLLIOS G, GUNOPULOS D, KOUDAS N, et al. Efficient Biased Sampling for Approximate Clustering and Outlier Detection in Large Data Sets[J]. IEEE Transactions on Knowledge and Data Engineering, 2003, 15(5):1170-1187.
[15] MACIEJ L. Hierarchical Clustering of Time Series Data with Parametric Derivative Dynamic Time Warping[J]. Expert Systems with Applications,2016, 62(15):116-130.
[16] PEDRYC Z W, WALETZKY J. Fuzzy Clustering with Partial Supervision[J]. IEEE Transactions on Systems Man & Cybernetics Part B, 1997, 27(5):787-795.
[17] TUIA D, VOLPI M, COPA L, et al. A Survey of Active Learning Algorithms for Supervised Remote Sensing Image Classification[J]. IEEE Journal of Selected Topics in Signal Processing, 2011, 5(3):606-617.
[18] TONG L, KRAMER K, SAMSON S, et al. Active Learning to Recognize Multiple Types of Plankton[J]. Journal of Machine Learning Research, 2004,6(4):478-481.
[19] TUIA D, RATLE F, PACIFICI F, et al. Active Learning Methods for Remote Sensing Image Classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(7):2218-2232.
[20] LI J, BIOUCAS J M, PLAZA A. Hyperspectral Image Segmentation Using a New Bayesian Approach with Active Learning[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(10):3947-3960.

一种高光谱图像的半监督分类方法

A Semi-supervised Classification Method for Hyperspectral Images

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 5

编辑推荐

Metrics

本文评价

[1]	徐君, 王彩玲. 结合空间信息选取最优端元组合的混合像元分解[J]. 测绘通报, 2019, 0(7): 6-11.
[2]	宋广钦, 杜正舜, 贺智. 高光谱图像波段选择的改进二进制布谷鸟算法[J]. 测绘通报, 2019, 0(4): 43-48.
[3]	胡冬翠, 谢福鼎, 杨俊, 张永. 一种基于空间信息和遗传算法的半监督高光谱图像分类方法[J]. 测绘通报, 2018, 0(10): 22-26.
[4]	程志会, 谢福鼎. 基于空间特征与纹理信息的高光谱图像半监督分类[J]. 测绘通报, 2016, 0(12): 56-59,73.
[5]	何晓宁曹建农高坡高美玲. 顶点成分分析法端元提取的改进算法[J]. 测绘通报, 2013, 0(7): 30-34.