高光谱图像分类是高光谱图像处理领域的研究热点,它旨在通过标记样本上学习得到的模型实现对未标记地物的分类。由于采集困难且人工标记的成本较高,标记样本的数量一般非常有限。在标记样本有限的情况下,高光谱图像分类算法模型的性能通常较差。如何在标记样本有限甚至无标记样本的情况下,实现地物分类是一个具有挑战性的课题。本文探讨域适应(Domain Adaptation,DA)技术,利用已知的标记区域或标记影像对未标记的高光谱数据进行分类,从而减少对标记样本的依赖,具有非常重要的实际意义。本文首先介绍了关联对齐(Correlation Alignment,CORAL)域适应算法,探讨了其在高光谱图像域适应与分类中存在的协方差估计问题;针对小样本情况下协方差估计不稳定问题,提出了一种基于稀疏矩阵变换(Sparse Matrix Transform,SMT)的关联对齐算法(CORAL-SMT),估计源域和目标域的协方差矩阵,得到准确稳定的协方差估计值。具体地,在CORAL-SMT中,源域和目标域的协方差矩阵被约束为具有一个特征分解,这个特征分解可以表示为一系列吉文斯(Givens)旋转的乘积形式。在极大似然估计框架下,利用贪婪最小化策略可以有效地估计得到协方差矩阵,并且可以保证估计得到的协方差矩阵是正定的。在最后的实验部分,本文在黄河口国产高分5号高光谱影像和The City of Pavia高光谱影像数据上对所提出的算法进行测验,并采用总体分类准确率(Overall Accuracy,OA)和κ系数作为评价标准去衡量算法性能。实验结果表明,本文所提出的算法在测试影像上具有良好的性能。
暂无评论