您现在的位置是：首页 > 技术资料 > 联合核稀疏多元逻辑回归和TV-L1错误剔除的高光谱图像分类算法

推荐星级：

联合核稀疏多元逻辑回归和TV-L1错误剔除的高光谱图像分类算法

更新时间：2019-12-24 08:41:02 大小：2M 上传用户：守着阳光1985 查看TA发布的资源 标签：高光谱图像分类算法 下载积分：1分评价赚积分（如何评价?）打赏收藏评论(0) 举报

资料介绍

稀疏多元逻辑回归(SMLR)是高光谱监督分类中的重要方法,然而仅仅利用光谱信息的SMLR忽略了影像本身的空间特征,在少量监督样本下的分类精度和算法的鲁棒性仍明显不足;虽然通过引入核技巧,核稀疏多元逻辑回归(KSMLR)可以部分克服上述缺点,其分类错误仍然有待进一步降低.本文基于核稀疏多元逻辑回归分类误差的统计建模分析,提出一种联合核稀疏多元逻辑回归和正则化错误剔除的高光谱图像分类模型.提出的模型通过引入隐概率场,采取L1范数度量KSMLR分类误差的重尾特性建立数据保真项;利用全变差(Total Variation,TV)正则化度量隐概率场的局部空间光滑性.由Indian Pines和University of Pavia数据集等实测数据应用表明,该方法可以得到更鲁棒和更高的分类精度.

部分文件列表

文件名	大小
联合核稀疏多元逻辑回归和TV-L1错误剔除的高光谱图像分类算法.pdf	2M

立即下载

【关注视频号领20积分】【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）

Vol． 46 No． 1

Jan． 2018

第

期

电

子

学

报

2018

ACTA ELECTRONICA SINICA

年

月

TV-L1

联合核稀疏多元逻辑回归和

错误

剔除的高光谱图像分类算法

，，，

徐金环沈煜刘鹏飞肖亮

( 1．

，

南京理工大学计算机科学与工程学院江苏南京

210094; 2．

、，

南京邮电大学计算机学院软件学院江苏南京

210023)

( SMLR)

，

SMLR

摘

要

稀疏多元逻辑回归

是高光谱监督分类中的重要方法然而仅仅利用光谱信息的

忽略了

影像本身的空间特征在少量监督样本下的分类精度和算法的鲁棒性仍明显不足虽然通过引入核技巧核稀疏多元

( KSMLR)

，

;

，

，．

可以部分克服上述缺点其分类错误仍然有待进一步降低本文基于核稀疏多元逻辑回归分类误

逻辑回归

差的统计建模分析提出一种联合核稀疏多元逻辑回归和正则化错误剔除的高光谱图像分类模型提出的模型通过引

L1 KSMLR ( Total Variation，TV)

，

．

，

;

入隐概率场采取

范数度量

分类误差的重尾特性建立数据保真项利用全变差

正则化

．

度量隐概率场的局部空间光滑性由

Indian Pines University of Pavia

和

，

数据集等实测数据应用表明该方法可以得到

．

更鲁棒和更高的分类精度

;

关键词

中图分类号

URL: http: / /www． ejournal． org． cn

高光谱图像分类核稀疏多元逻辑回归错误剔除

TP751

: 0372-2112 ( 2018) 01-0175-10

DOI: 10． 3969 /j． issn． 0372-2112． 2018． 01． 024

文献标识码

文章编号

电子学报

Hyperspectral Image Classification Combining Kernel Sparse Multinomial

Logistic Regression and TV-L1 Error Rejection

XU Jin-huan ，SHEN Yu ，LIU Peng-fei ，XIAO Liang

( 1． Computer Science and Engineering，Nanjing University of Science and Technology，Nanjing，Jiangsu 210094，China;

2． School of Computer Science，School of Software，Nanjing University of Posts and Telecommunications，Nanjing，Jiangsu 210023，China)

Abstract: Sparse multinomial logistic regression( SMLR) is an important supervised classification method for hyper-

spectral images( HSI) ． However，because the traditional SMLR based pixel-wise classifiers only use the spectral signatures，

the good robustness and high classification accuracy are hardly achieved with a small number of samples without considering

the spatial information of HSI． By using the kernel tricks，the kernel sparse multinomial logistic regression( KSMLR) method

can partly overcome this limitation，however the resulted misclassification errors are still expected to be further reduced． Ac-

cording to the statistical analysis of classification errors resulted in KSMLR，we propose a novel two stage framework which

combines KSMLR and error rejection for HSI classification． The proposed model，named KSMRL-TVL1，adopts the L1 norm

to measure the heavy-tailed property of the classification errors so as to build the data fidelity term，and uses the total varia-

tion( TV) regularization term to measure the local spatial smoothness of the hidden probability field． The experiments on In-

dian Pines dataset and University of Pavia dataset show that the proposed method can better improve the robustness and clas-

sification accuracy．

Key words: hyperspectral image; image classification; kernel sparse multinomial logistic regression; error rejection

，

量形式存在其不同元素对应不同波段下的光谱响应

引言

．

值通常不同物质在特定波段上反射不同的电磁能量

，

［1 ～ 3］

，

在高光谱成像仪对地观测环境中高光谱成像仪

．

从而可以根据光谱特征来区别不同的物质

高光谱

可从可见光到红外光谱区域数百个狭窄且连续的波段

“ ” ，、、

图像因其图谱合一特性在军事监视环境监测矿

．

上获取光谱成像数据高光谱图像的每个像元都以向

［4］

，

物识别等领域得到广泛应用

其中高光谱图像分类

: 2016-05-27;

: 2017-01-03;

责任编辑李勇锋

收稿日期

修回日期

基金项目国家自然科学基金

( No． 61571230) ;

( No． 2016YFF0103604) ;

( No． BK20161500) ;

333

江苏省

国家重点研发计划

江苏省自然科学基金

( No． BRA2015345)

工程

176

2018

年

电

子

学

报

．

( Discriminative Lo-

是最重要内容之一

光谱图像分类的鉴别性局部增强排列

cally Enhanced Alignment)

，

目前高光谱图像监督分类方法包括仅利用光谱信

，

方法其关键在于设计了一种

- ．

息的分类方法和空谱信息联合的分类方法支持向量机

基于鉴别性局部增强排列技术的半监督高光谱图像降

( Support Vector Machines，SVM)

是高维数据监督分类的

，

维算法并基于多层分割结果选择合适的未标签样本

［5］

，

有效方法且在高光谱分类中得到很好的分类效果

．

多

，

和样本间的相似性度量以达到同时降维分类和保持

［6］

( Multinomial Logistic Regression，MLR)

元逻辑回归

方

．， -

空间几何结构信息的目的上述研究表明空谱联合的

，

法是二分类逻辑回归模型的推广其主要优点是直接对

分类算法与仅利用光谱信息的分类方法相比可以有效

，

后验概率建模通过监督学习计算出各个像元属于每一

．

提高高光谱的分类精度

，

分类后处理的方法就是先对每个像素单独分类然

，．

类的概率而不需要对联合概率建模基于稀疏表示

［7］

( Sparse Representation)

一像元都可以由同类别子空间的像元线性表示进而可

由训练样本构造的字典表示下的稀疏编码特征实现高光

( Sparse Multinomial Lo-

分类算法的主要思想是假设任

．

后通过空间后处理剔除分类错误黄昕等对系列分类后

，

， :

处理算法进行了系统研究其研究涵盖四大类基于空域

、

滤波马尔可夫随机场

( Markov Random Fields，MRF) 、

基

．

谱图像分类稀疏多元逻辑回归

( Object-based Voting)

( Relearn-

和再学习

于对象的投票

［8］

［16］

gistic Regression，SMLR)

和多元逻辑回归方法的优点是目前高光谱图像分类的

SMLR : ( 1) SMLR

方法很好地融合了稀疏表示

ing)

机场可以很好地将空间信息结合到图像分类问题文献

［17］ SVM MRF

．

，

其中作为代表性图像统计建模工具马尔可夫随

，

．

，

重要方法然而

方法尚存在一些不足

，

将

分类器和

整合在统一框架达到对高光

，

计算复杂度较高处理大数据时效率较低

; ( 2)

仅仅利用

- ．

谱数据空谱联合的分类李军等人提出一种联合子空间多

SMLR

，

忽略了影像本身的空间特征在少量

光谱信息的

- ( Multilevel Lo-

元逻辑回归和多层马尔可夫吉布斯随机场

．

监督样本下的分类精度和算法的鲁棒性仍明显不足对

［18，19］

gistic Markov-Gibbs)

．

的高光谱图像分类方法

文献

，［9］

于前一问题文献提出利用变量分裂和增广拉格朗日

［20］

提出一种自适应的

MRF

， MRF

方法该

的权值由每

( Logistic Regression via Variable Splitting and Augmented

Lagrangian，LORSAL) SMLR

．［21］

个像元的相关性同质指数确定文献在此基础上提

，

中回归量的方法

算法求解

( KSMLR)

MRF

相

出了一种核稀疏多元逻辑回归

与加权

．，，

降低了计算复杂度对于后者通过引入核技巧核稀疏

，

结合的高光谱分类方法空间信息通过加权的

MRF

进行

( Kernel SMLR，KSMLR)

多元逻辑回归

可以部分克服上

．，

建模研究表明空间信息与光谱信息相结合可以大大减

，．，

述缺点其错误分类率仍然有待进一步降低概言之上

，

小分类误差提高少量样本下的监督分类性能

．

，

述方法虽然有效地利用了高光谱图像的光谱信息但在

［18 ～21］ - ，

受文献中空谱联合分类思想的启发本文

分类的过程中没有充分挖掘高光谱图像空间相邻像元之

TV-L1

，

提出一种核稀疏多元逻辑回归和

错误剔除方法

［10］

．

间的信息和低维结构

1 ．

其基本框架如图所示该方法首先采用核稀疏多元逻

，

高光谱图像中往往包含一些相似区域这些区域内

，

辑回归模型对高光谱图像进行光谱软分类得到初始分

，

相邻的像元通常属于同类地物即地物分布的空间平滑

;

然后综合高光谱图像中地物局部聚类特

类概率图

［11］

KSMLR

．

， - ，

因此空谱联合分类方法是目前的研究热点目

特性

， 1 q

性引入非负且和为隐概率场来刻画分类概率图的

前方法中空间特性的利用主要有两种途径空间特征提

． q

空间邻域马尔可夫性本文将隐概率场与初始分类概

［12］

．

取和分类后处理

，

Laplace

率图

建模为最大后验推断问题利用

对数

错误剔除模

( Alternating Direction

KSMLR

， -

一般而言空间特征提取的空谱联合分类方法的思

TV-L1

似然和

正则化项建立了带约束的

型该模型可通过交替方向乘子法

Method of Multipliers，ADMM)

，

想是首先提取空间特征然后利用空间特征和光谱特征

，

．

联合训练分类器进行图像分类例如

，Camps-Valls

等使

．

，

快速求解实验表明本文

，

用空间均值或方差作为空间特征通过复合核的方法对

方法有效结合了高光谱图像的局部聚类和邻域马尔可夫

光谱特征和空间特征进行融合用于训练支持向量机

［13］

，，

性可以有效剔除因训练样本不足带来的分类错误提高

( SVM)

． Gurram

Hilbert

等通过在核

空间取平均引入

SVM

．

了少量样本下的监督分类精度

，

空间信息提出了一种基于核空间嵌入的上下文

分

［11］

．

，

从流形学习的观点看如何利用高维数据中

类方法

核稀疏多元逻辑回归方法及分类误差建模

的低维结构或局部流形是当前空谱联合分类的重要方

L × N

X = ( x ，x ，…，x )

，

表示高光谱图像其

假设

∈

．，

法例如杜博等提出了一种高光谱图像分类的判别流形

∈

i ，L

表示高光谱的第个像元表示波段数

，S =

，Y =

中

，

学习方法通过引入判别学习方法对高光谱数据进行降

{ 1，2，…，N}

表示高光谱图像个像元的索引集

，，

维处理并利用全局流形结构保持空间信息有效提高了

K × N

［14］

( y ，y ，…，y )

，

是图像的类别标签其中

，y =

∈

．

［15］

文献提出了一种高

高光谱图像的监督分类精度

全部评论(0)

暂无评论

评论赚积分>>

上传资源上传优质资源有赏金

联合核稀疏多元逻辑回归和TV-L1错误剔除的高光谱图像分类算法

资料介绍

部分文件列表

部分页面预览

相关下载

全部评论(0)

热门标签

最新上传

热门下载

推荐下载

专栏首页