基于正样本和未标记样本的遥感图像分类方法

• 作者: 周绍光 胡屹群 裔阳 赵鹏飞
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 有偏SVM 支持向量数据描述 高斯数据描述 单类支持向量机 遥感图像分类 多类SVM
• 年，卷（期）: 2018,（4）
• 所属期刊栏目: 模式识别与人工智能
• 页码范围: 160-166,230
• 页数: 8页
• 分类号: TP751.1
• 字数: 6302字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.1609-0184

摘要

传统分类器的构建需要正样本和负样本两类数据.在遥感影像分类中,常出现这样一类情形:感兴趣的地物只有一种.由于标记样本耗时耗力,未标记样本往往容易获取并且包含有用信息,鉴于此,提出了一种基于正样本和未标记样本的遥感图像分类方法(PUL).首先,根据正样本固有特征并结合支持向量数据描述(SVDD)从未标记集筛选出可信正负样本,再将其从未标记集中剔除;接着将其带入SVM训练,根据未标记集在分类器中的表现设立阈值,再从未标记集中筛选出相对可靠的正负样本;最后是加权SVM(Weighted SVM)过程,初始正样本及提取出的可靠正负样本权重为1,SVM训练筛选出的样本权重范围0~1.为验证PUL的有效性,在遥感影像进行分类实验,并与单类支持向量机(OC-SVM)、高斯数据描述(GDD)、支持向量数据描述(SVDD)、有偏SVM(Biased SVM)以及多类SVM分类对比,实验结果表明PUL提高了分类效果,优于上述单类分类方法及多类SVM方法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	周绍光	河海大学地球科学与工程学院	58	368	11.0	15.0
2	胡屹群	河海大学地球科学与工程学院	9	33	3.0	5.0
3	裔阳	河海大学地球科学与工程学院	4	29	3.0	4.0
4	赵鹏飞	河海大学地球科学与工程学院	7	38	4.0	6.0