CN102880872A - 一种半监督svm遥感影像分类构建方法 - Google Patents
一种半监督svm遥感影像分类构建方法 Download PDFInfo
- Publication number
- CN102880872A CN102880872A CN2012103100229A CN201210310022A CN102880872A CN 102880872 A CN102880872 A CN 102880872A CN 2012103100229 A CN2012103100229 A CN 2012103100229A CN 201210310022 A CN201210310022 A CN 201210310022A CN 102880872 A CN102880872 A CN 102880872A
- Authority
- CN
- China
- Prior art keywords
- svm
- classification
- formula
- remote sensing
- sensing image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010276 construction Methods 0.000 title claims abstract description 7
- 238000012706 support-vector machine Methods 0.000 title abstract description 31
- 239000002245 particle Substances 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000013145 classification model Methods 0.000 claims abstract description 6
- 230000035772 mutation Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000003044 adaptive effect Effects 0.000 abstract description 2
- 230000007547 defect Effects 0.000 description 3
- 230000002028 premature Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种半监督SVM遥感影像分类构建方法,它涉及一种分类构建方法,具体涉及一种半监督SVM遥感影像分类构建方法。本发明为了解决现有SVM遥感影像技术应用时不容易找到最优分类参数,混合像元的硬化分、训练样本不足造成分类精度低下的问题。本发明的具体步骤为:步骤一、利用自适应变异粒子群算法对SVM遥感影像参数寻优;步骤二、利用自训练方法构建PS3VM半监督分类模型。本发明用于构建半监督SVM遥感影像。
Description
技术领域
本发明涉及一种分类构建方法,具体涉及一种半监督SVM遥感影像分类构建方法。
背景技术
遥感影像包含了丰富复杂的地物信息,所含数据类别众多,含混度大。如何有效提高影像分类的速度和精度是遥感影像研究中的一个关键问题,也是人们关注的焦点。支持向量机技术(suppor vector machines,SVM)由于能较好地解决高维特征、非线性、过学习,且具有局部极小等优点,在遥感信息获取中取得了很好的效果,但仍然存在一定的不足,主要表现在:第一、分类参数的选择没有特别好的办法,应用时不容易找到最优分类参数;第二、混合像元的硬化分可能造成分类精度低下;第三、当训练样本集远远小于测试样本时,即便SVM具有较强的泛化性,也难以给出令人满意的结果。
发明内容
本发明针对现有SVM遥感影像技术应用时不容易找到最优分类参数,混合像元的硬化分、训练样本不足造成分类精度低下的问题,提出一种新的半监督SVM遥感影像分类方法。
本发明为解决上述问题采取的技术方案是:本发明的具体步骤如下:
步骤一、利用自适应变异粒子群算法对SVM遥感影像参数寻优,构建PSVM算法,PSVM算法的具体步骤如下:
步骤一(一)、随机初始化粒子群中粒子的位置和速度;
步骤一(二)、将粒子的pb设置为当前位置,pg设置为初始群体中最佳粒子位置;
步骤一(三)、判断算法是否满足收敛条件,如果满足执行步骤一(八),否则执行步骤一(四);粒子群优化算法最终收敛位置时整个粒子群找到的全局极值,利用群体适应度方差σ2、全局极值f(pg)与理论极值fd比较作为全局收敛判定准则;将SVM得到的分类准确度作为粒子的适应度函数,计作f=svm_accuracy;收敛条件为同时满足公式①和公式②:
f(pg)<fd②
公式①和公式②中fi为第i个粒子的适应度,favg为粒子群目前的平均适应度;
步骤一(四)、速度更新,位置更新;根据公式③和公式④更新速度和位置:
V=ωV+c1r1(Pb-Xpresent)+c2r2(Pg-Xpresent)③
Xpresent=Xpresent+V④
其中,V是粒子速度,Xpresent是粒子当前位置,r1和r2为随机数,c1和c2为学习因子;
步骤一(五)、计算变异概率pm,
k∈[0,1]
步骤一(六)、产生随机数r∈[0,1],如果r<pm,按公式⑥执行变异操作;否则执行步骤一(七);
pg=pg*(1+0.5*η)⑥
其中η是服从Gauss(0,1)分布的随机变量;
步骤一(七)、判断步骤一(三)收敛准则是否满足,如果满足执行步骤一(八),否则执行步骤一(四);
步骤一(八)、输出初始群体中最佳粒子位置pg;
步骤二、利用自训练方法构建PS3VM半监督分类模型,具体步骤为:
步骤二(一)、初始化标签样本集T,使T=L,无标签样本集M,初始化τ,L表示标签样本集;
步骤二(二)、当M≠Φ执行步骤二(三),Φ表示空;
步骤二(三)、利用标签集训练SVM,并利用自适应变异PSO进行参数优化,构建初始分类器;
步骤二(四)、在集合T中利用Gkclust模糊聚类算法根据公式⑦产生聚类中心V,
其中,N为数据集维数,h为分类数目,m是加权指数,μik为步骤二(五)中所示模糊隶属度函数值;
步骤二(五)、以V为初始聚类中心,在无标签集合中根据公式⑧产生无标签样本的模糊隶属度函数值,
步骤二(六)、将隶属度高的样本点组成候选集合N;
步骤二(七)、利用PSVM对候选集合N进行标注;
步骤二(八)、基于τ产生标签子集Ψ;
步骤二(九)、更新标签集T←T∪Ψ;
步骤二(十)、更新无标签集M←M-Ψ;
步骤二(十一)、如果Ψ=φ降低τ的值;
步骤二(十二)、判断M是否为空,如果M为空,结束循环,输出分类结果;否则执行步骤二(三);
步骤二(十三)、利用标签集T再次训练PSVM。
本发明的有益效果是:本发明所述分类模型克服传统SVM分类模型参数选择的主观性,避免了传统PSO因早熟收敛造成分类参数寻找不准确的缺点;同时将模糊聚类技术引入到Self-training半监督学习范式中有效地克服了遥感影像分类中人为选择样本不足且混合像元的硬化分而造成分类精度低下的问题。本发明与采用传统SVM分类方法相比,在相同训练样本数量下(总样本30%作为训练样本),分类精度提高8.4%,Kappa系数提高0.106。
附图说明
图1是利用自适应变异粒子群算法对SVM遥感影像参数寻优的流程框图。
具体实施方式
具体实施方式一:结合图1说明本实施方式,本实施方式所述一种半监督SVM遥感影像分类构建方法的具体步骤如下:
步骤一、利用自适应变异粒子群算法对SVM遥感影像参数寻优,即PSVM算法,PSVM算法的具体步骤如下:
步骤一(一)、随机初始化粒子群中粒子的位置和速度;
步骤一(二)、将粒子的pb设置为当前位置,pg设置为初始群体中最佳粒子位置;
步骤一(三)、判断算法是否满足收敛条件,如果满足执行步骤一(八),否则执行步骤一(四);粒子群优化算法最终收敛位置时整个粒子群找到的全局极值,利用群体适应度方差σ2、全局极值f(pg)与理论极值fd比较作为全局收敛判定准则;将SVM得到的分类准确度作为粒子的适应度函数,计作f=svm_accuracy;收敛条件为同时满足公式①和公式②:
f(pg)<fd②
公式①和公式②中fi为第i个粒子的适应度,favg为粒子群目前的平均适应度;
步骤一(四)、速度更新,位置更新;根据公式③和公式④更新速度和位置:
V=ωV+c1r1(Pb-Xpresent)+c2r2(Pg-Xpresent)③
Xpresent=Xpresent+V④
其中,V是粒子速度,Xpresent是粒子当前位置,r1和r2为随机数,c1和c2为学习因子;
步骤一(五)、计算变异概率pm,
k∈[0,1]
步骤一(六)、产生随机数r∈[0,1],如果r<pm,按公式⑥执行变异操作;否则执行步骤一(七);
pg=pg*(1+0.5*η)⑥
其中η是服从Gauss(0,1)分布的随机变量;
步骤一(七)、判断步骤一(三)收敛准则是否满足,如果满足执行步骤一(八),否则执行步骤一(四);
步骤一(八)、输出初始群体中最佳粒子位置pg;
步骤二、利用自训练方法构建PS3VM半监督分类模型,具体步骤为:
步骤二(一)、初始化标签样本集T,使T=L,无标签样本集M,初始化τ,L表示标签样本集;
步骤二(二)、当M≠Φ执行步骤二(三),Φ表示空;
步骤二(三)、利用标签集训练SVM,并利用自适应变异PSO进行参数优化,构建初始分类器;
步骤二(四)、在集合T中利用Gkclust模糊聚类算法根据公式⑦产生聚类中心V,
其中,N为数据集维数,h为分类数目,m是加权指数,μik为步骤二(五)中所示模糊隶属度函数值;
步骤二(五)、以V为初始聚类中心,在无标签集合中根据公式⑧产生无标签样本的模糊隶属度函数值,
步骤二(六)、将隶属度高的样本点组成候选集合N;
步骤二(七)、利用PSVM对候选集合N进行标注;
步骤二(八)、基于τ产生标签子集Ψ;
步骤二(九)、更新标签集T←T∪Ψ;
步骤二(十)、更新无标签集M←M-Ψ;
步骤二(十一)、如果Ψ=φ,降低τ的值;
步骤二(十二)、判断M是否为空,如果M为空,结束循环,输出分类结果;否则执行步骤二(三);
步骤二(十三)、利用标签集T再次训练PSVM。
本实施方式的步骤一利用改进粒子群算法对SVM参数寻优,克服传统SVM模型参数选择的主观性,避免传统粒子群算法因早熟收敛而造成分类参数寻找不准确的缺点,同时将Gkclust模糊聚类技术引入到Self-training半监督学习范式中,有效地克服了SVM遥感影像分类中人为选择样本不足且混合像元的硬化分而造成分类精度低下的问题。
本实施方式的步骤一中粒子由SVM的主要参数构成。SVM四种核函数中RBF核具有较宽的收敛性,不受维数以及样本数量的严格限制,本模型选择RBF作为分类依据函数。由此初始化粒子包括两部分,惩罚参数c和RBF核函数参数γ。
Claims (1)
1.一种半监督SVM遥感影像分类构建方法,其特征在于:所述一种半监督SVM遥感影像分类构建方法的具体步骤如下:
步骤一、利用自适应变异粒子群算法对SVM遥感影像参数寻优,即PSVM算法,PSVM算法的具体步骤如下:
步骤一(一)、随机初始化粒子群中粒子的位置和速度;
步骤一(二)、将粒子的pb设置为当前位置,pg设置为初始群体中最佳粒子位置;
步骤一(三)、判断算法是否满足收敛条件,如果满足执行步骤一(八),否则执行步骤一(四);粒子群优化算法最终收敛位置时整个粒子群找到的全局极值,利用群体适应度方差σ2、全局极值f(pg)与理论极值fd比较作为全局收敛判定准则;将SVM得到的分类准确度作为粒子的适应度函数,计作f=svm_accuracy;收敛条件为同时满足公式①和公式②:
f(pg)<fd②
公式①和公式②中fi为第i个粒子的适应度,favg为粒子群目前的平均适应度;
步骤一(四)、速度更新,位置更新;根据公式③和公式④更新速度和位置:
V=ωV+c1r1(Pb-Xpresent)+c2r2(Pg-Xpresent)③
Xpresent=Xpresent+V④
其中,V是粒子速度,Xpresent是粒子当前位置,r1和r2为随机数,c1和c2为学习因子;
步骤一(五)、计算变异概率pm,
k∈[0,1]
步骤一(六)、产生随机数r∈[0,1],如果r<pm,按公式⑥执行变异操作;否则执行步骤一(七);
pg=pg*(1+0.5*η)⑥
其中η是服从Gauss(0,1)分布的随机变量;
步骤一(七)、判断步骤一(三)收敛准则是否满足,如果满足执行步骤一(八),否则执行步骤一(四);
步骤一(八)、输出初始群体中最佳粒子位置pg;
步骤二、利用自训练方法构建PS3VM半监督分类模型,具体步骤为:
步骤二(一)、初始化标签样本集T,使T=L,无标签样本集M,初始化τ,L表示标签样本集;
步骤二(二)、当M≠Φ执行步骤二(三),Φ表示空;
步骤二(三)、利用标签集训练SVM,并利用自适应变异PSO进行参数优化,构建初始分类器;
步骤二(四)、在集合T中利用Gkclust模糊聚类算法根据公式⑦产生聚类中心V,
其中,N为数据集维数,h为分类数目,m是加权指数,μik为步骤二(五)中所示模糊隶属度函数值;
步骤二(五)、以V为初始聚类中心,在无标签集合中根据公式⑧产生无标签样本的模糊隶属度函数值,
步骤二(六)、将隶属度高的样本点组成候选集合N;
步骤二(七)、利用PSVM对候选集合N进行标注;
步骤二(八)、基于τ产生标签子集Ψ;
步骤二(九)、更新标签集T←T∪Ψ;
步骤二(十)、更新无标签集M←M-Ψ;
步骤二(十一)、如果Ψ=φ,降低τ的值;
步骤二(十二)、判断M是否为空,如果M为空,结束循环,输出分类结果;否则执行步骤二(三);
步骤二(十三)、利用标签集T再次训练PSVM。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012103100229A CN102880872A (zh) | 2012-08-28 | 2012-08-28 | 一种半监督svm遥感影像分类构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012103100229A CN102880872A (zh) | 2012-08-28 | 2012-08-28 | 一种半监督svm遥感影像分类构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102880872A true CN102880872A (zh) | 2013-01-16 |
Family
ID=47482189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012103100229A Pending CN102880872A (zh) | 2012-08-28 | 2012-08-28 | 一种半监督svm遥感影像分类构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102880872A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150580A (zh) * | 2013-03-18 | 2013-06-12 | 武汉大学 | 一种高光谱图像半监督分类方法及装置 |
CN103258212A (zh) * | 2013-04-03 | 2013-08-21 | 中国科学院东北地理与农业生态研究所 | 基于吸引子传播聚类的半监督集成遥感影像分类方法 |
CN103489194A (zh) * | 2013-09-30 | 2014-01-01 | 河海大学 | 基于安全半监督支持向量机的遥感影像变化检测方法 |
CN104991974A (zh) * | 2015-07-31 | 2015-10-21 | 中国地质大学(武汉) | 一种基于粒子群算法的多标签分类方法 |
CN106650791A (zh) * | 2016-11-21 | 2017-05-10 | 中国科学院东北地理与农业生态研究所 | 一种基于改进粒子群的非监督遥感影像分类方法 |
CN107071858A (zh) * | 2017-03-16 | 2017-08-18 | 许昌学院 | 一种Hadoop下的剖分遥感影像并行处理方法 |
CN107452001A (zh) * | 2017-06-14 | 2017-12-08 | 许昌学院 | 一种基于改进fcm算法的遥感图像序列分割方法 |
CN109919202A (zh) * | 2019-02-18 | 2019-06-21 | 新华三技术有限公司合肥分公司 | 分类模型训练方法及装置 |
CN110507294A (zh) * | 2019-08-07 | 2019-11-29 | 北京安龙脉德医学科技有限公司 | 基于互联网信息传递的急救系统 |
CN111833353A (zh) * | 2020-07-16 | 2020-10-27 | 四川九洲电器集团有限责任公司 | 一种基于图像分割的高光谱目标检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980480A (zh) * | 2010-11-04 | 2011-02-23 | 西安电子科技大学 | 半监督异常入侵检测方法 |
-
2012
- 2012-08-28 CN CN2012103100229A patent/CN102880872A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980480A (zh) * | 2010-11-04 | 2011-02-23 | 西安电子科技大学 | 半监督异常入侵检测方法 |
Non-Patent Citations (3)
Title |
---|
UJJWAL MAULIK等: "A self-trained ensemble with semisupervised SVM: An application to pixel classification of remote sensing imagery", 《PATTERN RECOGNITION》, 31 March 2011 (2011-03-31) * |
YING LIU等: "A novel optimization parameters of support vector machines model for the land use/ cover classification", 《JOURNAL OF FOOD,AGRICULTURE&ENVIRONMENT》, 30 April 2012 (2012-04-30) * |
邢宗义等: "《2003年中国智能自动化会议论文集(上册)》", 31 December 2003, article "一种基于聚类的模糊建模方法及应用研究" * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150580A (zh) * | 2013-03-18 | 2013-06-12 | 武汉大学 | 一种高光谱图像半监督分类方法及装置 |
CN103150580B (zh) * | 2013-03-18 | 2016-03-30 | 武汉大学 | 一种高光谱图像半监督分类方法及装置 |
CN103258212A (zh) * | 2013-04-03 | 2013-08-21 | 中国科学院东北地理与农业生态研究所 | 基于吸引子传播聚类的半监督集成遥感影像分类方法 |
CN103489194A (zh) * | 2013-09-30 | 2014-01-01 | 河海大学 | 基于安全半监督支持向量机的遥感影像变化检测方法 |
CN104991974A (zh) * | 2015-07-31 | 2015-10-21 | 中国地质大学(武汉) | 一种基于粒子群算法的多标签分类方法 |
CN106650791A (zh) * | 2016-11-21 | 2017-05-10 | 中国科学院东北地理与农业生态研究所 | 一种基于改进粒子群的非监督遥感影像分类方法 |
CN107071858A (zh) * | 2017-03-16 | 2017-08-18 | 许昌学院 | 一种Hadoop下的剖分遥感影像并行处理方法 |
CN107452001A (zh) * | 2017-06-14 | 2017-12-08 | 许昌学院 | 一种基于改进fcm算法的遥感图像序列分割方法 |
CN109919202A (zh) * | 2019-02-18 | 2019-06-21 | 新华三技术有限公司合肥分公司 | 分类模型训练方法及装置 |
CN110507294A (zh) * | 2019-08-07 | 2019-11-29 | 北京安龙脉德医学科技有限公司 | 基于互联网信息传递的急救系统 |
CN110507294B (zh) * | 2019-08-07 | 2022-02-08 | 北京安龙脉德医学科技有限公司 | 基于互联网信息传递的急救系统 |
CN111833353A (zh) * | 2020-07-16 | 2020-10-27 | 四川九洲电器集团有限责任公司 | 一种基于图像分割的高光谱目标检测方法 |
CN111833353B (zh) * | 2020-07-16 | 2022-04-12 | 四川九洲电器集团有限责任公司 | 一种基于图像分割的高光谱目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102880872A (zh) | 一种半监督svm遥感影像分类构建方法 | |
CN106228185B (zh) | 一种基于神经网络的通用图像分类识别系统及方法 | |
CN112613536B (zh) | 一种基于smote和深度学习的近红外光谱柴油牌号识别方法 | |
CN105760821A (zh) | 基于核空间的分类聚集稀疏表示的人脸识别方法 | |
CN103942749B (zh) | 一种基于修正聚类假设和半监督极速学习机的高光谱地物分类方法 | |
CN103020971A (zh) | 从图像中自动分割目标对象的方法 | |
CN101299243A (zh) | 基于免疫谱聚类的图像分割方法 | |
CN109409438B (zh) | 基于ifcm聚类与变分推断的遥感影像分类方法 | |
CN103400105A (zh) | 基于姿态归一化的非正面人脸表情识别方法 | |
CN101986295B (zh) | 基于流形稀疏编码的图像聚类的方法 | |
CN113032613B (zh) | 一种基于交互注意力卷积神经网络的三维模型检索方法 | |
CN109961093A (zh) | 一种基于众智集成学习的图像分类方法 | |
CN114842264A (zh) | 一种基于多尺度空谱特征联合学习的高光谱图像分类方法 | |
CN102663681B (zh) | 基于排序k-均值算法的灰度图像分割方法 | |
CN113326390A (zh) | 基于深度特征一致哈希算法的图像检索方法 | |
CN105512675B (zh) | 一种基于记忆性多点交叉引力搜索的特征选择方法 | |
CN111191685A (zh) | 一种损失函数动态加权的方法 | |
CN116842354A (zh) | 基于量子人工水母搜索机制的特征选择方法 | |
Lun Gaoa et al. | Research and application of data mining feature selection based on relief algorithm | |
CN104537660A (zh) | 基于多目标智能体进化聚类算法的图像分割方法 | |
CN114049567B (zh) | 自适应软标签生成方法以及在高光谱图像分类中的应用 | |
CN105718858A (zh) | 一种基于正负广义最大池化的行人识别方法 | |
CN105389573A (zh) | 一种基于局部三值模式分层重构的人脸识别方法 | |
CN114387485B (zh) | 基于生成对抗网络的火星图像增广方法 | |
Zhu et al. | Joint learning of anchor graph-based fuzzy spectral embedding and fuzzy k-means |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130116 |