基于最大似然法的遥感图像分类技术研究

针对大遥感图像在单机分类方法中存在分类效率低、准确度差的问题,本文研究了网格环境下的最大似然分类技术在大遥感图像分类的应用。文中提出的方法充分利用了网格技术的分布式计算和协同共享等能力．采用最大似然法。给出了网格环境下大遥感图像的分类方法,并实验验证了该方法的有效性。     

高斯过程及其在高光谱图像分类中的应用

高光谱遥感图像分类是高光谱成像信息处理的研究热点,高光谱成像的内在特点对于分类器设计具有直接影响.高斯过程是近年来发展迅速的一种新的机器学习方法,具备容易实现、超参数可自适应获取以及预测输出具有概率意义等优点,比较适合于处理图像分类问题.首先对高斯过程的基本概念及其主要的分类算法进行了简要介绍,然后在对高光谱图像分类的特点和高光谱图像分类的研究现状的分析基础上,讨论了基于高斯过程的高光谱图像分类的基本思想,提出了基于空间约束的高斯过程分类和基于半监督高斯过程分类等适合高光谱图像分类的新方法.最后对基于高斯过程的高光谱图像分类研究的发展趋势进行了展望.     

分段线性分类与最大似然和平行六面体分类的对比分析

介绍了以单面判别平面、最优权重向量和权位判定逻辑为基本思想的分段线性分类方法(PLC)。在多时相数字视频数据实浏中,PLC的处理速度虽略低于平行六面休分类法(PPC),却远高于高斯最大似然分类法(GMLC);而PLC的分类精度不但与GMLC相近,且远高于PPC。实验表明,在遥感作物分类精度和运算速度方面,PLC是比GMLC或PPC更优的选择。     

基于最大似然原理的分类属性数据分层聚类算法

对分类属性数据进行处理时,现有的聚类算法一般都通过距离函数将原始数据转换为表示两两距离的距离矩阵,然后再根据距离矩阵进行聚类,聚类结果很大程度上依赖于距离函数。针对上述问题,提出一种基于最大似然原理的分类属性数据分层聚类算法,称为HAC_ML算法。HAC_ML算法优点在于直接处理分类属性数据,不依赖于距离函数,并且克服了分层聚类不能回溯的缺点。在UCI数据集上的测试结果表明与经典的ROCK算法和K-Modes算法相比,HAC_ML算法是一种有效地处理分类属性数据的分层聚类算法。     

雷达高度计中最大似然算法的应用

首先从分析国外星载雷达高度计中的自适应处理器入手,介绍了最大似然算法的基本理论,旨在分析最大似然算法用于雷达高度计的技术方法,并对有关公式进行了详细的推导,并对国外有关文献中的一些公式的推导错误进行了纠正。     

基于最大似然准则Hausdorff距离的跟踪算法

针对视频处理中运动物体的检测和跟踪问题,提出一种基于最大似然准则Hausdorff距离的目标跟踪算法,首先利用基于GVF的Snake方法获得物体模型;然后采用基于最大似然准则的Hausdorff距离匹配后续帧中的目标,搜索策略采用类似于Rucklidge提出的多分辨率搜索方法,在不影响搜索成功率和目标定位精度的情况下, 可以显著地缩短搜索时间;最后使用Snake方法完成运动物体的轮廓更新.实验表明该方法可以较好地跟踪刚性和非刚性物体,同时对部分被遮挡的目标也有良好的跟踪效果.     

基于最大最小距离的高光谱遥感图像波段选择

为减少高光谱遥感图像光谱空间冗余,降低后续处理的计算复杂度,提出一种基于最大最小距离的高光谱图像波段选择算法。首先计算波段标准差,选定标准差最大的波段作为初始中心;然后使用最大最小距离算法得到相对距离较远的聚类中心,对波段进行聚类;最后使用K中心点算法更新聚类中心。实验仿真结果表明:通过基于最大最小距离算法选择的波段,能够选出同时满足信息量大、相关性小的要求的波段子集,并将获得的波段组合用于高光谱图像分类时,可以得到较好的分类精度。     

基于泊松-高斯混合噪声的最大似然改进算法

传统的图像复原算法仅针对高斯噪声进行处理,没有考虑高斯及泊松混合噪声污染。为此,引入泊松-高斯混合分布的成像模型,对基于混合模型的最大似然算法进行有效近似,在此基础上提出基于泊松-高斯混合噪声的最大似然改进算法,避免对噪声敏感性和PSF初始估计的依赖。实验结果表明,与原有算法相比,改进算法复原效果明显,且稳健性较好。     

基于高阶累积量的最大似然估计方法及其应用

讨论了高距离分辨率制导雷达的近距角闪烁抑制问题,提出了利用超分辨谱估计算法对混叠在同一距离分辨单元内的两个或多个散射中心进行离析,然后采用最大似然估计方法分别估计各个散射中心谐波分量幅度与相位信息的新方法.实验结果表明,该方法能够有效克服目标多散射中心之间的干涉现象,为解决末制导过程中目标的稳定跟踪问题提供了一种有效途径.     

一种基于最小分类错误率的改进型LDA特征选择算法

LDA是目前常用的较好的特征选择方法。然而散布矩阵不同时,LDA分类效果往往不理想。本文提出一种基于分类错误率最小的改进型LDA特征选择算法,采用迭代计算使Bayes分类错误率上界最小,能取得比原LDA更好的分类效果。对高维数据提出基于PCA预处理的“快速改进型LDA特征选择”减少求解迭代计算时间。针对Marill.T.提供的典型数据和MINIST手写体数字库的实验证实以上论点是正确的。     

不等式最大熵中的特征选择方法

不等式最大熵模型较为成功地缓解了文本分类任务中的过拟合问题,但它使用的特征选择算法不能完全发挥不等式最大熵的最大优势。针对该问题提出采用改进的顺序前进式选择算法,提高文本分类任务中的识别率,试验结果证明该算法能够更准确地选出文本代表特征,对不等式最大熵模型的分类成绩有一定的改善。     

基于改进的最大熵均值聚类方法在文本分类中的应用*

针对传统的文本分类算法存在着各特征词对分类的结果影响相同、分类准确率较低、造成算法时间复杂度增加的问题,提出了一种改进的最大熵C-均值聚类文本分类方法。该方法充分结合了C-均值聚类和最大熵值算法的优点,以香农熵作为最大熵模型中的目标函数,简化分类器的表达形式,然后采用C-均值聚类算法对最优特征进行分类。仿真实验结果表明,与传统的文本分类方法相比,提出的方法能够快速得到最优分类特征子集,大大提高了文本分类准确率。     

基于特征间距的二次规划特征选取算法

提出一种基于特征间距的二次规划特征选取算法。首先,将特征在类内样本间和异类样本间的距离分别作为二次规划算法目标函数的二次项和一次项参数,用以搜索类内紧密、内间分离的分类特征;同时,通过对二次项和一次项的归一化来均衡特征在同类样本和异类样本之间的关系;然后,将二次规划算法优化后的最优解向量作为衡量特征对分类贡献的权重向量,再根据特征权重高低选取分类特征。特征选取方法在6个数据集中的特征选取实验结果表明了该方法的可行性和有效性。     

基于特征选择和最大熵模型的汉语词义消歧

词义消歧是自然语言处理中一类典型的分类问题.在分类中,特征的选择至关重要.通常情况下,特征是由人工选择的,这就要求特征选取者对于待分类的问题本身和分类模型的特点有深刻的认识.分析了汉语词义消岐中特征模板对消歧结果的影响,在此基础上提出一套基于最大熵分类模型的自动特征选择方法,包括针对所有歧义词的统一特征模板选择和针对单个歧义词的独立特征模板优化算法.实验结果表明,使用自动选择的特征,不仅简化了特征模板,而且提高了汉语词义消歧的性能.与SemEval 2007:task #5的最好成绩相比,该方法分别在微平均值MicroAve(micro-average accuracy）)和宏平均值MacroAve(macro-average accuracy）)上提升了3.10%和2.96%.     

模糊特征选择新算法：Ⅱ*

用模糊似然函数计算类内及类间距离,得到任意特征子集的模糊特征特征选择系数,用于特征子集的选择,从而得出最能区分和表征模式类的特征子集。举例说明了该方法的具体用法,表明具有好的实用性。     

基于特征词及形状模型的图像类别学习

一类图像的特征及其分布在很大程度上表达了该类的主要信息.根据这一思想,结合图像中的像素信息及形状信息提出一种类图像识别方法.对于一类给定的样本图像,首先提取每一幅图像的显著特征,根据特征分布提取特征区域;然后对所有的特征区域进行聚类得到特征词典,基于特征词及形状信息建模,同时采用最大似然估计的方法进行学习得到模型参数;最后结合特征词模型及形状模型对测试图像进行识别.实验结果表明,该方法能够有效地对2类图像进行分类和识别,同时对多数类图像也能进行较为准确的分类和识别.     

高光谱影像波段选择算法研究*

基于高光谱影像数据的特点,分析了高光谱数据的降维方法。着重探讨了波段选择的若干算法:熵及联合熵、最佳指数因子、自动子空间划分、自适应波段选择、波段指数和最优波段指数等算法。分析了各种算法的有效性、局限性和计算复杂度,并针对波段指数的不足,设计了最优波段指数(OBI)波段选择新算法。最后通过具体的试验,验证了各种算法的性能。     

基于SE-Res2Net与多尺度空谱融合注意力机制的高光谱图像分类

为了提取更具有判决力的高光谱图像特征,并防止网络因加深导致退化,在新维度残差网络(Res2Net)和压缩激活网络(squeeze and excitation network,SENet)的基础上,提出新型多尺度特征提取模块SE-Res2Net,并设计多尺度空谱融合注意力模块.为了克服网络加深带来的退化问题,SE-Res2Net模块利用通道分组提取高光谱图像细粒度的多尺度特征得到多个不同粒度的感受野,并采用通道优化模块从通道层面量化特征图的重要性.为了进一步从空间维和光谱维同时优化特征,构建多尺度空谱融合的注意力模块,利用非对称卷积在不同尺度上挖掘不同空间位置和不同光谱维特征的关系,不但能减少计算量,还能有效地提取具有判决力的空谱融合特征,从而提高高光谱图像分类的精度.在3个公共数据集Indian Pines,University of Pavia和Grss_dfc_2013上的对比实验表明,与其他较新的深度网络相比,该方法具有更高的总体精度(overall accuracy,OA)、平均精度(average accuracy,AA)和Kappa系数.