基于Boosting的高光谱遥感切空间协同表示集成学习方法

• 作者: 姚文静 苏红军 虞瑶
• 来源期刊: 遥感技术与应用
• 学科: 工学
• 关键词: 切空间协同表示 集成学习 Boosting 高光谱遥感分类
• 年，卷（期）: 2020,（3）
• 所属期刊栏目: 数据与图像处理
• 页码范围: 634-644
• 页数: 11页
• 分类号: TP751
• 语种: 中文
• DOI: 10.11873/j.issn.1004-0323.2020.3.0634

摘要

近年来,协同表示分类(Collaborative Representation Classification,CRC)算法成为高光谱遥感影像分类的研究热点,尤其是切空间协同表示分类(Tangent Space Collaborative Representation,TCRC)利用切平面估计测试样本的局部流形,其分类精度得到了显著提高.为进一步提升高光谱遥感影像分类的准确性和可靠性,提出了基于Boosting的高光谱遥感影像切空间协同表示分类算法(Boosting-based Tangent Space Collaborative Representation Classification,Boost TCRC).Boost TCRC算法采用TCRC算法作为基分类器,通过Boosting原理自适应地调整训练样本的权重,增大错分样本的权重从而使得分类器专注于较难分类的训练样本,然后在基于残差域融合时根据基分类器的分类表现赋予其权重,最终采用最小重构误差的原则对测试样本进行分类.实验采用HyMap(Hyperspectral Mapper)和AVIRIS(Airbone Visible Infrared Imaging Spectrometer)等高光谱遥感影像数据对所提出算法的性能进行了综合评价,结果表明:基于Boosting的集成方式可有效提升TCRC算法的分类效果.针对HyMap数据,Boost TCRC算法总体分类精度和Kappa系数分别为93.73％和0.9208,两种精度指标分别高于TCRC算法2.82％和0.0323,同时分别高于AdaBoost ELM算法1.81％和0.0225.对于AVIRIS数据,Boost TCRC算法总体分类精度和kappa系数为84.11％和0.8120,两种精度指标分别高于TCRC算法3.97％和0.0493,同时分别高于AdaBoost ELM算法12.02％和0.1436.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	苏红军	河海大学地球科学与工程学院	13	74	5.0	8.0
2	姚文静	河海大学地球科学与工程学院	2	0	0.0	0.0
3	虞瑶	河海大学地球科学与工程学院	1	0	0.0	0.0