文献学习： 融合空谱特征和集成超限学习机的高光谱图像分类

学习时间：2018/10/23

主要内容：

先导内容：

Hughes现象：指在高光谱分析中过程中，随着参与运算波段数目的增加，分类精度“先增后降”的现象。与多光谱相比，高光谱图像的一个显著特点就是它的波段数目远远大于多光谱图像，因而可以提供更为丰富的细节信息，可以解决许多在多光谱中不能解决的目标探查和分类问题，但是由于Hughes现象的存在，使得高光谱图像的实际应用受到限制[1]。

采用统计模式识别方法对多光谱资料进行分析, 通常假定每一种模式在特征空间都服从正态分布, 并用一个向量和一个方差矩阵来描述。由于多光谱图像的维数较少, 训练样本的数目相对于特征空间的维数有着较大的比率, 因而可以得到较为准确的参数估计值。对于高光谱影像, 由于维数的大幅度增加, 导致用于参数估计所需的训练样本数目也急剧增加。如果训练样本的数目不满足特征空间维数增加的要求, 则估计出的参数精度就难以保证。比如某些重要的地面覆盖信息, 由于所占面积较小, 不能提供足够数量的训练样本点, 往往不能得到满意的分类结果。在这种情况下, 虽然光谱波段数目的增加隐含了更多的分类
信息, 但由于参数估计值不够精确, 使得分类的结果与理想情况相差很大, 产生所谓Hughes 现象。

研究表明, 分类结果取决于下列4 个因素:类别可分性、训练样本数目、特征空间维数以及分类器的类型[2]

[1]杨哲海, 李之歆, 韩建峰,等. 高光谱中的Hughes现象与低通滤波器的运用[J]. 测绘科学技术学报, 2004, 21(4):253-255.

[2]Tadjudin S , Landgrebe D A.Classificaiton of high dimensional datawith limited training samples[ D] .West Lafayette:School of Electrical and Computer Engineering , Purdue University , May 1998

解决Hughes现象的方法主要有：

• 采用特征提取和波段选择方法对高光谱图像进行降维处理， 典型的特征提取方法包括主成分分析和流形学习等[3]。波段选择是指按照一定的准则选择具有代表性的波段用于分类，可用的波段选择准则包括波段相关系数、互信息、ＪＭ 距离和散度等。

       文献[4]基于场景中的先验知识，采用互信息实现了波段选择。文献[5]采用JM距离和最小估计冗余协方差作为测度，提出了一种改进萤火虫算法的波段选择方法。文献[6]采用互信息等三种测度计算相邻波段间的相关性，然后对波段进 行分类与重新分组。文献[7]采用粒子群算法同时进行波段自动选择和支持向量机参数优化，但是由于采用基于封装(wrapper)的波段选择方法，需要已知样本标签来计算优化的目标函数。文献[8]提出了一种结合波段分组特征和形态 学特征的高光谱图像分类方法。上述方法虽然能够提取出不相关的有效波段组合，但是算法的复杂度较高

• 对分类器进行优化设计是提高高光谱图像分类精度的另一手段。常采用的分类器包括支持向量机[9](support vector machine,SVM)、稀疏表示[10-12](sparse representation,SR)、协作表示[11,13](collaborative representation,CR)、集成学习法[6,15]，深度学习法[16]等。

       这些方法各有优劣，但都有一个共同的特点：训练的分类器结果很大程度上需要大量的数据集，数据量不够时分类精 度较差。

参考文献（点击）

 

超限学习机（extreme learning machine）：具有单个隐藏层的前馈神经网络，由于将输入层与隐藏层间的连接权重随机化处理，通过求解岭回归问题计算隐层与输出层间的连接权重[17]，因此ELM算法具有可调参数少、计算速度快和泛化能力好等优点。

岭回归问题：岭回归(英文名：ridge regression, Tikhonov regularization)是一种专用于共线性数据分析的有偏估计回归方法，实质上是一种改良的最小二乘估计法，通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价获得回归系数更为符合实际、更可靠的回归方法，对病态数据的拟合要强于最小二乘法。