基于层次集成学习的高光谱图像分类

为提高高光谱图像（HSI）分类精度,基于集成学习方法提出高光谱图像分类的层次集成学习新框架。采用两种集成学习策略：外部集成及内部集成。在外部集成阶段,构造多种高光谱图像的光谱和空间特征,使外部集成呈高度多样性,有利于提高分类精度;内部集成阶段,针对关联多特征集中的个体,Adaboost算法实现个体分类性能的提高。两组高光谱数据的实验结果表明,与原始的Adaboost和单分类器相比较,该方法在整体精度方面有更好的性能。     

自适应冗余字典学习的高光谱混合像元解混

针对线性稀疏解混模型无法准确识别真实端元造成丰度估计误差较大的问题,本文提出一种基于自适应冗余字典的高光谱混合像元解混算法.该算法根据地物在空间上的连续性,以及高光谱数据中信号成分与光谱库中物质光谱的强相关性,首先保留每个像元在光谱库上投影系数大于设定阈值所对应的光谱,将其作为与每个像元信号成分最匹配的光谱集合;然后合并该集合以构建高光谱数据的自适应冗余字典;最后利用ADMM算法求解高光谱数据在该字典上的丰度矩阵.仿真和实际高光谱数据实验结果表明,本文所提出的算法可减小丰度估计误差,在信噪比为15~35 dB时,其丰度估计准确性高于性能较优的SUnSAL算法约1~2 dB.      

基于高光谱的复合绝缘子电晕老化状态评估

复合绝缘子由于其良好的憎水性和憎水迁移性在输电线路上得到了广泛应用,而电晕放电会造成复合绝缘子老化加剧而丧失性能.为此提出了一种基于高光谱技术的复合绝缘子电晕老化状态评估方法.首先,对全新硅橡胶复合绝缘片进行电晕老化,分析样本的傅里叶红外光谱变化,以傅里叶红外光谱图像作为老化状态分类的依据,将样品分为6个类别;然后,利用高光谱成像仪获取硅橡胶片表面不同波段的反射强度,采用主成分分析(principal component analysis,PCA)对原始谱线进行特征提取;最后,建立基于支持向量机的电晕老化状态评估(support vector machines-insulator corona aging status evaluation,SVM-CASE)模型,对60组预测数据进行分类验证,并对比分析了不同核函数对于模型评估准确率的影响.高光谱检测及评估结果表明:不同老化时间下试样的高光谱图像有明显的区别,随着老化时间的增加,硅橡胶绝缘材料的光谱曲线在600～900 nm呈现反射率下降趋势;采用PCA算法进行特征提取后,利用polynomial核函数建立的评估模型的分类准确率达93...     

基于高光谱成像技术的绝缘子污秽度预测

高光谱成像技术能对绝缘子进行非接触式成像,且具有多波段、图谱合一等特点. 为此,本文提出一种基于高光谱成像技术的绝缘子污秽度预测方法. 首先,利用高光谱成像仪对绝缘子进行成像,得到400～1 000 nm波段范围内的高光谱图像数据,并进行黑白校正;然后,获取感兴趣区域（region of interest,ROI）的反射率光谱曲线,进行Savitzky-Golay平滑、对数或一阶导数变换的预处理. 最后,联合部分的真实样本标签数据分别建立基于支持向量机的绝缘子污秽度预测（support vector machines-insulator contamination degree prediction,SVM-ICDP）和基于偏最小二乘回归的绝缘子污秽度预测（partial least squares regression-insulator contamination degree prediction,PLSR-ICDP）模型. 从实验结果中可知,当预处理方法采用一阶导数变换时,所建立的绝缘子污秽度预测模型效果最佳,即SVM-ICDP模型准确率达到91.84%;PLSR-ICDP模型的均方根误差（root mean square error,RMSE）为0.024 1.      

基于SVM分类器的道路湿滑图像分类方法研究

在恶劣天气下路面湿滑状况将发生显著变化,导致驾驶条件恶化,极易引发恶劣的交通事故.为了帮助交通管理部门实时获取路面湿滑状况信息,了解路面附着性能,并以此制定合理的车速控制和交通诱导策略,通过采集道路湿滑图像,利用设计的具体SVM分类器结合3种训练算法对道路湿滑图像进行分类学习训练,并通过训练后的SVM分类器对大量道路湿滑图像进行分类实验,对道路湿滑状态进行分类研究.实验结果表明:(1)寻找合适的核函数,选择合适的参数是使用SVM进行高效分类的一个重要因素;(2)在训练过程中,均方误差(MSE)能反映出分类器实现的正确率,SVM的训练本身的误差决定了分类的正确率,而且训练个数的增多带来了特征空间维数的增加,从而导致计算量的增大.     

基于图像表面梯度的翻拍检测

经过翻拍后的篡改图像能够轻易绕过现有的图像篡改检测系统,这对图像真实性的检测构成严重的安全威胁.本文基于翻拍过程中两次使用相机进行拍摄而引入的非线性响应,使用Lib-SVM设计图像分类器判别翻拍图像和真实图像.翻拍后图像表面梯度值与真实图像相比会产生非线性变化,这使翻拍图像表面梯度值产生异常.本文基于图像表面梯度特性提取相关特征值,使用支持向量机分类器进行翻拍图像和真实图像的判别.实验结果表明,本文提出的特征分类效果良好,可以正确检测翻拍图像.     

多分类转导支持向量机

为了完成分类学习,传统的支持向量机基于带标记信息的经验数据归纳出一个通用的决策函数。而转导支持向量机则不同,它考虑包含测试集在内的所有数据信息并致力于最小化测试样本的分类错误数。在已有的2类分类方法的基础上构造了直接求解多类分类问题的的转导支持向量机。     

二分类数据的分类结果可视化算法

针对在某些应用领域对二分类数据分类结果可视化的需求，以及现有无监督可视化算法无法提供分类结果的相关信息的问题，提出了二分类数据分类结果可视化算法——支持向量可视化（SVV），该算法是在无监督的自组织神经网络（SOM）的可视化功能的基础上，结合监督学习的支持向量机（SVM）的二分类算法，得到能够直观地显示高维数据、二分类数据分类边界以及数据与分类边界距离的二维映射图，提高了分类结果的可解释性．以SOM可视化算法以及Smnmon算法为参照，用2组可分性不同的样本集进行仿真分析，验证了该算法的有效性和可行性。     

基于半监督学习的SVM-KNN

提出一种新的基于半监督的SVM—KNN分类方法,当可用的训练样本较少时,使用SVM进行分类,不能得到准确的分类边界,本文采用半监督学习策略从大量未标记样本中提取边界向量来改善SVM-KNN分类器的引进不仅扩充了SVM的训练样本数目,而且优化了迭代过程中训练样本的标记质量,可不断修复SVM的分类边界．实验结果表明,所提出的方法能提高SVM算法的分类精度,通过调整参数能够获得更好的分类效果,同时也减小了标记大量未标记样本的代价．     

层次极限学习机用于高光谱图像预测绝缘子污秽度

高光谱图像具有图谱合一、光谱范围广及分辨率高等优势,能精细化地反映物质微观特性. 为此,引入高光谱成像技术以非接触式预测绝缘子污秽度. 考虑到极限学习机具有学习效率高和泛化能力强等优点,提出基于正则化约束极限学习机的绝缘子污秽度预测（extreme learning machine-insulator pollution degree prediction,ELM-IPDP）模型. 此外,为进一步提升预测性能,引入层次极限学习机从复杂的高光谱图像中学习出有效、抽象、判决性特征表示,继而建立基于层次极限学习机的绝缘子污秽度预测（hierarchical ELM-IPDP,HELM-IPDP）模型. 在不同的训练集与测试集比例和不同隐含层神经元个数的情况下分别进行实验,从实验结果可知:ELM-IPDP模型和HELM-IPDP模型的预测性能基本上随着隐含层神经元个数和训练样本的增加而不断提高;当训练集与测试集比例为9∶1时,ELM-IPDP模型的均方根误差和相关系数分别为0.040 3和0.944 7,而HELM-IPDP模型的均方根误差和相关系数分别提升到0.022 3和0.972 0.