37、高光谱图像特征选择与分类的SCRF动态学习

高光谱图像特征选择与分类的SCRF动态学习

1 引言

高光谱图像分析在城市规划、测绘、农业、林业以及灾害预防和监测等现实应用中越来越受关注，这些应用大多可转化为分类任务。以往的分类技术，如支持向量机、神经网络、图方法等，很多只考虑光谱变化，忽略了空间相关性。

马尔可夫随机场（MRFs）是用于建模标签图像上下文信息的经典概率方法，但它假设观测数据条件独立，忽略了给定类中观测数据的上下文信息。条件随机场（CRFs）则能将标签和观测中的上下文信息结合起来，不过过多的光谱特征会使CRFs出现过拟合问题，且使用大量无关特征会增加计算复杂度。

为解决这些问题，可减少特征数量，有方法通过在对数似然中添加稀疏促进正则化器来选择特征，训练出的稀疏模型被称为稀疏CRF（SCRF）模型。但SCRF在选择小特征子集时，分类性能可能会严重下降。因此，本文提出了SCRF的动态学习方法（D - SCRF），并在分段训练框架下，通过两个独立的稀疏多项逻辑回归（SMLR）模型的动态训练来高效实现。

2 SCRF用于特征选择和分类

在高光谱图像分类中，观测数据 $y$ 是一组光谱向量 ${y_1, y_2, …, y_I}$，其中 $y_i = [y_{i1}, y_{i2}, …, y_{iD}]^T$ 表示与图像站点 $i \in S$ 相关的光谱向量，$D$ 是光谱波段数，$S = {1, 2, …, I}$ 是图像站点集。标签集 $x = {x_1, x_2, …, x_I}$，其中 $x_i \in {1, 2, …, L}$，$L$ 是类别数。

CRF对高光谱图像分类的后验概率建模如下：
$P (x|y, \theta) = \f