特征选择准则间的关联及高分辨率遥感影像类别不平衡问题研究

高空间分辨率遥感影像论文 面向对象方法论文 土地利用分类论文 特征选择论文 基于图的过滤器论文 准则
论文详情
高分辨率对地观测遥感影像已经广泛应用于国防、农业、林业、海洋、国土和环境监测等众多方面。与中低分辨率遥感影像相比,高空间分辨率遥感影像具有丰富的形状、结构和纹理信息,基于传统的像素处理方式已经不能满足高空间分辨率遥感影像的处理需求。近十年发展起来的面向对象的图像分析已成为高空间分辨率遥感影像处理的主要方法,但是在面向对象的图像分析中,除了影像分割困难外,还面临如何准确描述与表达影像对象内容这一问题。从高空间分辨率遥感影像对象中提取的纹理和形状等影像特征的维数往往比较高,高维特征将影响分类器性能,因此特征选择是高空间分辨率遥感影像面向对象图像分析的一个重要研究内容。模式识别领域的特征选择方法常常评价特征对类别依赖性、类别之间的可分性以及特征之间相关性,但没有揭示数据特性之间潜在的相互影响。本文立足于特征选择方法中的过滤器模型,针对这一基础性的问题,度量数据特性并揭示数据特性间的相互影响。另外,紧紧围绕“面向高空间分辨率遥感影像对象的特征分析”,通过分析高空间分辨率遥感影像对象集的数据特性以解决面向该样本集监督/半监督分类中的不平衡问题。本文的主要研究内容分为以下两个方面:1.用可分性准则、依赖性准则和特征间相关性准则来度量相应的数据特性,并刻画数据特性间的潜在关系是本文的主要研究内容之一。2.在土地覆被/土地利用分类中,现有的研究利用核技巧处理高空间分辨率遥感影像对象组成的线性不可分的样本集,并忽略类别不平衡问题。这里,不平衡问题是指由偏斜分布引起的有些类别大小过大(称为大类)而有些类别大小过小(称为小类)的现象,它将导致分类器过于倾向大类。当标记样本充足时,从监督学习的角度研究样本集的内在可分性,降低线性不可分问题和类别不平衡问题对分类的影响。而当标记样本不足时,从半监督学习的角度充分利用未标记样本信息,研究样本集在偏斜分布下的内在可分性。本文主要的创新点概括如下:1.定义了不同类型的准则,解析地分析了它们之间的关联,以度量不同的数据特性并揭示其相互影响。首先假定样本及其属于各个类别的条件概率服从多元正态分布,然后给出三个准则:可分性、冗余性和特征对类别的依赖性准则,并利用多元线性回归方法建立不同准则之间的关联以描述数据特性间的相互影响。为了验证准则的有效性,采用朴素的搜索策略—特征排序—进行监督和半监督特征选择。在实际数据集上,原始准则产生了比经典特征选择方法(ReliefF和mRMR)差不多甚至更好的分类性能,表明了准则的应用价值。为了证实准则之间的关联,由一种准则及准则间关联的导出其它类型的准则。在服从正态分布的仿真数据集(artificial dataset)和实际数据集上,比较了原始准则与导出准则性能的一致性,证实了准则之间的关联。通过这些关联,间接地揭示了数据特性之间的相互影响。2.提出了基于图的可分性方法—局部赋权判别投影(locally weighted discriminating projection,简称为LWDP)。该方法基于流形思想从局部分析不平衡数据集,提出了一个泛化的目标函数作为准则,以处理数据集中可能存在的非线性结构;采用相异性而非传统的相似性(如热核)度量样本对之间关系,以更好地保持局部结构并减轻不平衡问题的影响;根据类别大小和局部类别分布,基于一致性假设提出邻域并的约束以限制近邻样本之间的关系,并把该约束引入权重矩阵以克服不平衡问题和潜在噪声的影响。在包含大类、中等类和小类的高分辨率航空遥感影像上,与经典准则和最新准则相比,LWDP提高了所有类别精度,尤其是小类的分类精度,减轻了类别不平衡问题、线性不可分问题和潜在的噪声的影响。3.提出了一种基于图的可分性方法—非对称局部判别选择(Asymmetrically Local Discriminant Selection, ALDS)。在只有少量标记样本时,ALDS引入关于类别大小比例的先验知识,针对性地设计了不对称的误分类代价函数,全面地分析了成对样本之间关系。这些技巧有助于在半监督学习中克服类别不平衡问题,准确评估特征保持几何性质和判别结构的能力,并增强泛化能力。在只包含大类和小类的高分辨率航空遥感影像和QuickBird影像上,通过与经典的和最新的特征选择方法对比,发现ALDS在提高总体精度的同时提高了小类精度,先验知识有助于改善分类结果,而且在偏斜度高样本集上改善得更多。
主要中英文术语对照表第3-4页
主要符号第4-7页
摘要第7-10页
ABSTRACT第10-13页
第一章 绪论第17-36页
    1.1 研究背景与意义第17-21页
        1.1.1 高分辨率遥感影像获取及处理现状第17-18页
        1.1.2 面向对象高分辨率遥感影像处理研究进展第18-21页
    1.2 特征选择研究历史及现状第21-25页
        1.2.1 机器学习中特征选择的研究历史及现状第21-22页
        1.2.2 特征选择的基本步骤及其类型第22-24页
        1.2.3 面向遥感影像分类的特征选择研究现状第24-25页
    1.3 典型的过滤器模型第25-30页
        1.3.1 无监督特征选择方法第26页
        1.3.2 半监督特征选择方法第26-27页
        1.3.3 监督特征选择方法第27-30页
    1.4 拟解决的关键技术第30-33页
        1.4.1 特征选择在机器学习领域所面临的一个问题第30页
        1.4.2 特征选择在高分辨率遥感影像处理中所面临的问题第30-33页
    1.5 本文研究内容和章节安排第33-36页
第二章 准则间的关联及数据特性间的相互影响第36-59页
    2.1 概述第36-37页
    2.2 相关研究工作及存在问题第37-39页
    2.3 数据特性的评价准则第39-43页
        2.3.1 获取类别的条件概率第39-40页
        2.3.2 拟合类别的条件概率第40-41页
        2.3.3 依赖性准则第41-42页
        2.3.4 特征间相关性准则第42页
        2.3.5 可分性准则第42-43页
    2.4 准则之间的关联第43-51页
        2.4.1 可分性准则与依赖性准则之间的关联第43-48页
        2.4.2 依赖性准则与特征间相关性准则之间的关联第48-50页
        2.4.3 可分性准则与特征间相关性准则的之间的关联第50-51页
    2.5 在特征选择中准则的应用第51-53页
        2.5.1 半监督特征选择第51-52页
        2.5.2 监督特征选择第52-53页
    2.6 实验与讨论第53-58页
        2.6.1 实验数据和实验设置第53-54页
        2.6.2 仿真数据集上准则间关联的验证第54-55页
        2.6.3 实际数据集上准则间关联的验证第55页
        2.6.4 实际数据集上准则的实验评估第55-56页
        2.6.5 讨论第56-58页
    2.7 本章小结第58-59页
第三章 面向不平衡数据的监督特征选择方法—局部赋权判别投影第59-84页
    3.1 问题的提出与研究意义第59-60页
    3.2 基于图模型的局部赋权判别投影方法第60-71页
        3.2.1 类内类间权重矩阵及目标函数第60-61页
        3.2.2 用相异性替代相似性度量成对关系第61-64页
        3.2.3 邻域并━━训练集样本空间划分及其分析第64-68页
        3.2.4 线性化与核化第68-70页
        3.2.5 局部赋权判别投影的图模型方法特点及流程第70-71页
    3.3 实验分析与讨论第71-83页
        3.3.1 实验数据准备第71-74页
        3.3.2 评价策略第74-75页
        3.3.3 实验对比分析第75-83页
    3.4 本章小结第83-84页
第四章 面向不平衡数据半监督特征选择方法—不对称局部判别选择第84-104页
    4.1 概述第84-87页
        4.1.1 半监督学习研究现状第84-85页
        4.1.2 遥感影像处理中的半监督学习方法第85-86页
        4.1.3 问题的形成及本章的贡献第86-87页
    4.2 基于图模型的不对称局部判别方法第87-90页
    4.3 实验分析与评价第90-103页
    4.4 本章小结第103-104页
第五章 总结与展望第104-107页
    5.1 论文工作总结第104-105页
    5.2 研究展望第105-107页
参考文献第107-115页
附录一 准则之间关联的理论证明及实验结果第115-137页
    A.1 可分性准则与依赖性准则之间的关联第115-118页
        A.1.1 从依赖性准则到可分性准则第115-116页
        A.1.2 从可分性准则到依赖性准则第116-118页
    A.2 依赖性准则与特征间相关性准则之间的关联第118-119页
        A.2.1 从特征间相关性准则到依赖性准则第118-119页
        A.2.2 从依赖性准则到特征间相关性准则第119页
    A.3 可分性准则与特征间相关性准则之间的关联第119-120页
        A.3.1 从特征间相关性准则到可分性准则第119-120页
        A.3.2 从可分性准则到特征间相关性准则第120页
    A.4 实验结果第120-137页
攻读博士学位期间已录用或待投的论文第137-138页
攻读博士学位期间参与的科研项目第138-139页
致谢第139-144页
论文购买
论文编号ABS541375,这篇论文共144页
会员购买按0.30元/页下载,共需支付43.2
不是会员,注册会员
会员更优惠充值送钱
直接购买按0.5元/页下载,共需要支付72
只需这篇论文,无需注册!
直接网上支付,方便快捷!
相关论文

点击收藏 | 在线购卡 | 站内搜索 | 网站地图
版权所有 艾博士论文 Copyright(C) All Rights Reserved
版权申明:本文摘要目录由会员***投稿,艾博士论文编辑,如作者需要删除论文目录请通过QQ告知我们,承诺24小时内删除。
联系方式: QQ:277865656