更好的鲁棒性。公式（5)得到了所述问题的最 优化解。
[0113] 步骤四中对相应的原始特征向量进行排序，需要根据实际情况将最好几个的特征 选入最后的特征子集。
[0114] 本发明方法从半监督学习方法出发，通过选择性的优化关键变量，模型参数和无 标号对象的类别概率分布，对目标方程进行求解。ASFS方法可以测量数据的特征，并且对其 进行排序和选择。同时，ASFS能够应付离群值。
[0115] 下面采用具体实施例验证本发明的效果：
[0116] 为了验证本发明所提出的ASFS算法在解决高分辨率遥感图像处理问题上的性 能，将它和拉普拉斯分数（Laplacian Score, LS)、mcLogisticC 算法、SPEC 算法、TRCFS 算法、S2FS2R算法进行实验比较。如图2所示，实验所用数据集为两幅高分辨率遥感 图像，分别为Sydney的Worldview-2图和Shenzhen的Quickbird-2图，该图像通过 eCognitionDeveloper使用多尺度分割技术进行分割。分割参数包括紧密性，平滑度，形状， 颜色和尺度参数，分别被设置为0. 5,0. 5,0. 1，0. 9和50。分别应用SVM和I-NN这两种常用 监督分类方法，在标记样本数分别为10和50的情况下进行试验，实验过程重复多次进行， 计算每种算法所得结果的所有维度平均总体精度和Kappa系数，实验结果见图3至图6。
[0117] 由图3至图6可看出，从整体来看，本发明所提出的ASFS算法在平均总体精度和 Kappa系数上占有一定优势。在图3和图5中，ASFS方法在所选择的特征数在100以内时 效果明显好于其他算法；在图4和图6中，随着标记样本数增加到50，ASFS算法的表现依旧 占有优势，但与标记样本数较少时相比，优势减小。另外随着特征数的不断增大，所有算法 的结果均趋于相同。说明在特征数极高时，各类算法效果相仿，但特征数有限时，我们所提 出的ASFS算法效果明显更优。
[0118] 表2和表3选取了针对两幅高分辨率遥感图像，在标记样本数为10时，ASFS算法 和LS算法、mcLogisticC算法、SPEC算法、TRCFS算法、S 2FS2R算法在所有维度上的平均总 体精度和Kappa系数。表4和表5为相同实验条件下标记样本数为50时的实验结果。
[0119] 表2针对Sydney数据集标记样本数为10时所有维度平均总体精度和Kappa系数
[0121] 表3针对Shenzhen数据集标记样本数为10时所有维度平均总体精度和Kappa系 数
[0123] 表4针对Sydney数据集标记样本数为50时所有维度平均总体精度和Kappa系数
[0125] 表5针对Shenzhen数据集标记样本数为50时所有维度平均总体精度和Kappa系 数
〇
[0127] 从表2和表3可以看出针对两种不同的数据集，ASFS算法产生的结果好于其他算 法。以针对Sydney数据集使用SVM监督分类方法时为例，ASFS算法平均总体精度最高，为 58. 18, TRCFS 算法其次，为 51. 67, Kappa 系数分别为 40. 54 和 35. 74, mcLogisticC 算法平 均总体精度最低，仅为44. 53。使用I-NN分类方法时，仍是ASFS算法平均总体精度最高，为 68. 41，其次是S2FS2R算法，最低的为SPEC算法，Kappa系数分别为53. 32, 51. 23和49. 07。 从表4和表5,同样可看出ASFS算法产生的结果好于其他算法。由此，可得出结论，基于本 发明所提出的ASFS算法，可以有效提高对高分辨率遥感图像进行半监督特征选择的平均 总体精度和Kappa系数。
【主权项】
1. 一种面向高分遥感图像的大尺度半监督特征选择方法，其特征在于，它包括W下步 骤： 步骤一：采集遥感图像数据，对遥感图像数据进行预处理；将预处理后的遥感图像分 割成η个样本，对每个样本进行特征提取，获得样本数据；再将样本数据中的每个特征归一 化处理后，获得归一化后的数据X; 步骤二：针对归一化后的数据X中的每一个特征构建基于损失函数和无标记样本的概 率分布矩阵{yjk}的度量函数； 步骤Ξ:对步骤二中获得的度量函数的Ξ个参数依次循环优化，获得相应特征对应的 度量值； 步骤四：根据所述的度量值，对特征进行排序，获得遥感图像数据的特征子集，该特征 子集作为大尺度半监督特征选择方法选择获得的数据。2. 根据权利要求1所述的面向高分遥感图像的大尺度半监督特征选择方法，其特征在 于，步骤一中，设定归一化后的数据X为：其中m为对每个样本进行特征提取获得的特征数量，X,e心'"为归一化后的数据X中对 应于第j个样本的特征，j= 1，2, 3,......，η; 样本总数η=nl+nu，其中nl为标记样本数，nu为无标记样本数； X，的标记类别为y.，，y，e(1，...，c}，C为类别数。3. 根据权利要求2所述的面向高分遥感图像的大尺度半监督特征选择方法，其特 征在于，步骤二中：由第i个特征的目标函数Qi计算其所表征的内在数据特性，i= 1,2, 3,……，m;其中II·IIP是化obenius范数，W,G奴<'为的权重系数，b,. 6泌1"为回归偏置，y，ke[0，1]为第j个无标记样本属于第k个类别的概率，r为需要调整的自适应参数， f/ €级心为的标记部分，1,,, €汲"W为包含nl个元素1的列向量，X€嚴"心为标记数据的标 记矩阵，fi,为f1的第j个元素；是类别指示向量，它的第k类别的第k个元素是1， 剩余元素为0 ; 目标函数Qi中第一项为标记数据的损失函数，第二项为无标记数据的损失函数，由概率.V;,作为其权重。4. 根据权利要求3所述的面向高分遥感图像的大尺度半监督特征选择方法，其特征在 于，步骤Ξ中：获得相应特征对应的度量值的具体过程为： 固定模型参数中权重系数Wi和回归偏置b1，求解类别概率y,k: 由于标记数据的损失函数为常量，则目标函数Qi简化为：取r〉l，则公式（4)的拉格朗日函数为：錢 其中β为拉格朗日乘数； 令公式巧）关于y，k的导数为0,则有：作） 将约束Ck= 1，y,k= 1代入公式化），获得类别概率y，k的封闭形式解：傑 再固定类别概率3;<，求解权重系数和回归偏置b1，通过变形W及对目标函数Qi求关 于bi的导数，有：贷） 其中，Χ'代表对Y中每个元素进行能量上的操作， SeiT。、""为对角矩阵，它的第i个对角元素所述目标函数Qi作为相应特征对应的度量值。5.根据权利要求4所述的面向高分遥感图像的大尺度半监督特征选择方法，其特征在 于，步骤四中：获得遥感图像数据的特征子集的方法为： 根据目标函数Qi的度量值，对相应的特征进行排序，获得遥感图像数据的特征子集。
【专利摘要】面向高分遥感图像的大尺度半监督特征选择方法，属于半监督特征选择技术领域，本发明是为了解决现有高分遥感图像监督特征选择方法中，需要大量训练数据的标记，当无标记对象的数量远远大于带标记的数据时，影响被选择的特征的合理性的问题。它首先采集遥感图像数据，处理后获得归一化后的数据x；再构建基于损失函数和无标记样本的概率分布矩阵{yjk}的度量函数；对度量函数的三个参数依次循环优化，获得相应特征对应的度量值；根据所述的度量值，对特征进行排序，获得遥感图像数据的特征子集，该特征子集作为大尺度半监督特征选择方法选择获得的数据。本发明用于遥感图像的特征选择。
【IPC分类】G06K9/62
【公开号】CN105320963
【申请号】CN201510689508
【发明人】陈曦, 戚金子, 周共建
【申请人】哈尔滨工业大学
【公开日】2016年2月10日
【申请日】2015年10月21日