基于万有引力算法和集成学习的高光谱影像分类研究

扫码查看

原文链接

NETL

中文摘要：随着遥感技术的发展，高光谱遥感作为一种新型遥感分析技术，已经在诸多领域得到了广泛的应用。目前，高光谱遥感已逐渐成为遥感应用领域的研究热点。然而，由于高光谱影像所包含的波段数目较多、影像占用的存储空间较大、对影像进行处理需要消耗大量时间，这给高光谱影像的解译工作带来了全新的挑战。对于高光谱影像解译而言，如何设计性能鲁棒的分类器模型以提高分类精度及效率一直是该领域的核心研究问题之一，此外分类器模型构建需要大量的计算，甚至可以是NP完全问题，因此分类器快速构建得到了很大关注。进化算法为该类问题的求解提供了全新的思路。有研究表明，采用进化算法对遥感影像进行处理和分析可以取得了较好的效果。然而，常用的进化算法在搜索过程中易陷入局部最优，难以稳定收敛于全局最优解。本文通过对算法的全局和局部搜索进行平衡，以一种新近提出的进化算法-万有引力算法为基础，通过对算法的全局和局部搜索性能进行平衡，改进算法模型，并以此展开其在高光谱影像分类的研究工作，设计性能稳定、鲁棒的分类器模型，以提高分类精度和效率，本文主要研究内容如下: 1.简要介绍了万有引力算法的基本原理，结合混沌映射和列维飞行策略对质量较优的粒子进行随机扰动，对算法进行改进。进一步，通过在公共测试函数上进行函数优化实验，并将其与常用进化算法进行比较，通过函数的适应度值，证明了改进万有引力算法良好的寻优能力。 2.采用改进万有引力算法，对高光谱影像进行波段选择。高光谱影像较高的光谱分辨率，在提供丰富光谱信息的同时，也给影像分类过程带来了一定的挑战。为了满足影像分类实时性的需求，必须对数据进行“降维”，以降低算法的时间复杂度。波段选择即是从原始高光谱影像数据中选择出一些最能反映当前影像性质的波段进行组合，去除相关性较大的波段，以降低数据维度。基于改进万有引力算法搜索得到多组较优的波段子集，使用同一个分类器模型对其进行训练，然后从中选出部分差异性较大的波段进行组合，实现对原始数据进行“降维”的目的。 3.采用改进万有引力算法，同时进行波段选择与分类器参数一体优化。在支持向量机中，核函数参数σ和惩罚因子C对最终的分类精度起着决定性的作用。选择最优的参数可以使分类精度和支持向量机的泛化能力处于一个较为平衡的状态。波段选择和参数优化问题本质上均属于组合优化问题，两个问题彼此间存在一定的关联。因此，可以考虑对其进行一体优化，获取最优波段子集和最优分类器参数组合。此外，本文中涉及的高光谱影像数据均具有较高的维度，为了进一步构造适应性更好的核函数，将小波分析理论与核函数构造相结合，采用小波函数作为支持向量机核函数，构建性能更为鲁棒的分类器模型。 4.采用改进万有引力算法，构建多分类器集成模型。在高光谱影像分类过程中，传统的单一分类器模型难以对某些光谱特征值表征较为接近的地物进行区分。随着计算和存储逐渐低廉，组合多个学习器的多分类器构建集成模型被广泛应用于分类问题的求解中。多分类器集成即是将多个分类器模型通过集成学习融合为一个分类器模型，每个子分类器模型都是为同一个任务进行训练。采用万有引力算法选择出其中最优波段子集和分类器组合，基于固定的光谱特征和性能优良的分类器模型对大范围区域的影像进行自适应分类，综合考虑不同分类器模型的优势，使得模型对每一个类别都有较好的泛化能力。总的来看，本文主要就改进万有引力算法在高光谱影像分类领域的应用展开研究，通过对原始影像数据进行波段选择和分类器参数一体优化工作，有效对高维数据进行“降维”，获取最优分类器参数;通过构建多小波支持向量机分类器集成模型，提高分类器模型的鲁棒性和泛化能力。实验结果证明了改进万有引力算法对于高光谱影像分类问题具有良好的性能，构建的分类器模型进一步提高了分类精度及效率，在该领域具有广阔的应用前景。

作者：

王明威

展开 >

关键词：

高光谱遥感影像分类支持向量机集成学习万有引力算法

授予学位：

博士

学科专业：

摄影测量与遥感

导师：

万幼川

学位年度：

2018

学位授予单位：

武汉大学

语种：

中文

中图分类号：