基于Boosting的高光譜遙感切空間協同表示集成學習方法

作者：虞瑤,蘇紅軍,姚文靜

摘要：近年來,協同表示分類(Collaborative Representation Classification,CRC)算法成為高光譜遙感影像分類的研究熱點,尤其是切空間協同表示分類(Tangent Space Collaborative Representation,TCRC)利用切平面估計測試樣本的局部流形,其分類精度得到了顯著提高。為進一步提升高光譜遙感影像分類的準確性和可靠性,提出了基于Boosting的高光譜遙感影像切空間協同表示分類算法(Boosting-based Tangent Space Collaborative Representation Classification,Boost TCRC)。Boost TCRC算法采用TCRC算法作為基分類器,通過Boosting原理自適應地調整訓練樣本的權重,增大錯分樣本的權重從而使得分類器專注于較難分類的訓練樣本,然后在基于殘差域融合時根據基分類器的分類表現賦予其權重,最終采用最小重構誤差的原則對測試樣本進行分類。實驗采用HyMap(Hyperspectral Mapper)和AVIRIS(Airbone Visible Infrared Imaging Spectrometer)等高光譜遙感影像數據對所提出算法的性能進行了綜合評價,結果表明:基于Boosting的集成方式可有效提升TCRC算法的分類效果。針對HyMap數據,Boost TCRC算法總體分類精度和Kappa系數分別為93.73%和0.920 8,兩種精度指標分別高于TCRC算法2.82%和0.032 3,同時分別高于AdaBoost ELM算法1.81%和0.022 5。對于AVIRIS數據,Boost TCRC算法總體分類精度和kappa系數為84.11%和0.812 0,兩種精度指標分別高于TCRC算法3.97%和0.049 3,同時分別高于AdaBoost ELM算法12.02%和0.143 6。

發文機構：河海大學地球科學與工程學院

關鍵詞：切空間協同表示集成學習BOOSTING高光譜遙感分類Tangent collaborative representationEnsemble learningBoostingHyperspectral image classification

分類號： TP751[自動化與計算機技術—檢測技術與自動化裝置]