协同训练支持向量机对遥感影像的分类研究

doi:10.3778/j.issn.1002-8331.2009.29.048

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (29): 160-163.DOI: 10.3778/j.issn.1002-8331.2009.29.048

• 图形、图像、模式识别 • 上一篇下一篇

协同训练支持向量机对遥感影像的分类研究

李广水^1，2，宋丁全¹，郑滔³，李杨²，苏继申⁴

1.金陵科技学院，南京 211169
2.南京林业大学森林资源与环境学院，南京 210037
3.南京大学软件学院，南京 210093
4.南京市园林科学研究所，南京 210037

收稿日期:2009-05-26 修回日期:2009-07-15 出版日期:2009-10-11 发布日期:2009-10-11
通讯作者: 李广水

Research Tri-training SVMS for remote sensing image classification

LI Guang-shui^1，2，SONG Ding-quan¹，ZHENG Tao³，LI Yang²，SU Ji-shen⁴

1.Jinling Institute of Technology，Nanjing 211169，China
2.College of Forest Resource and Environment，Nanjing Forestry University，Nanjing 210037，China
3.Software Institute，Nanjing University，Nanjing 210093，China
4.Nanjing Institute of Landscape Science，Nanjing 210037，China

Received:2009-05-26 Revised:2009-07-15 Online:2009-10-11 Published:2009-10-11
Contact: LI Guang-shui

摘要/Abstract

摘要： 协同训练可以提高半监督分类器的分类精度，而如何构建具有冗余特性的训练集是其关键所在。依据遥感影像的纹理特征，提出了基于纹理特征值及像素灰度值构建的两个训练集上协同训练支持向量机的算法CTSVMTRS。仿真实验比较了在不同训练集上CTSVMTRS的分类效果，在叠代训练过程中，两类数据集的所有过程的测试结果都存在的明显差异验证了提出的观念。

关键词: 协同训练, 支持向量机, 遥感图像, 纹理分析, 机器学习

Abstract: Tri-training applied in semi-supervised learning can improve the classification precision，but，how to construct two redundance data sets is the key for Tri-training.With the analysing on texture property of remote sensor image，the algorithm CTSVMTRS for Tri-training SVMS in remote sensing image based on two data sets that one is from pixel value and another is from calculating texture property is presented.In the experiment，the keeping distinction of tested result from different Tri-training SVMS generated from two kinds of data sets in each cycle proves the algorithm is effective.

Key words: Tri-training, Support Vector Machines（SVM）, remote sensing image, texture analysis, machine learning

中图分类号:

TP181

李广水^1，2，宋丁全¹，郑滔³，李杨²，苏继申⁴. 协同训练支持向量机对遥感影像的分类研究[J]. 计算机工程与应用, 2009, 45(29): 160-163.

LI Guang-shui^1，2，SONG Ding-quan¹，ZHENG Tao³，LI Yang²，SU Ji-shen⁴. Research Tri-training SVMS for remote sensing image classification[J]. Computer Engineering and Applications, 2009, 45(29): 160-163.

[1]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[2]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[3]	韦佶宏，郑荣锋，刘嘉勇. 基于混合神经网络的恶意TLS流量识别研究[J]. 计算机工程与应用, 2021, 57(7): 107-114.
[4]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[5]	张晓丽，张魁星，江梅，魏本征，丛金玉. 淋巴瘤图像分类技术研究综述[J]. 计算机工程与应用, 2021, 57(6): 1-9.
[6]	韩东方，吐尔地·托合提，艾斯卡尔·艾木都拉. 问答系统中问句分类方法研究综述[J]. 计算机工程与应用, 2021, 57(6): 10-21.
[7]	万梦翔，姚寒冰. 面向恶意网页训练数据生成的GAN模型[J]. 计算机工程与应用, 2021, 57(6): 124-130.
[8]	杨晔民，张慧军，张小龙. 随机森林的可解释性可视分析方法研究[J]. 计算机工程与应用, 2021, 57(6): 168-175.
[9]	魏玮，杨茹，朱叶. 改进CenterNet的遥感图像目标检测[J]. 计算机工程与应用, 2021, 57(6): 191-199.
[10]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[11]	温杰彬，杨文忠，马国祥，张志豪，李海磊. 基于Apex帧光流和卷积自编码器的微表情识别[J]. 计算机工程与应用, 2021, 57(4): 127-133.
[12]	佘海龙，解山娟，邹静洁. 标准分数降维的3D-CNN高光谱遥感图像分类[J]. 计算机工程与应用, 2021, 57(4): 169-175.
[13]	万亚玲，钟锡武，刘慧，钱育蓉. 卷积神经网络在高光谱图像分类中的应用综述[J]. 计算机工程与应用, 2021, 57(4): 1-10.
[14]	徐可文，许波，吴英，徐浩然. 机器学习在超声图像中的应用综述[J]. 计算机工程与应用, 2021, 57(4): 11-17.
[15]	王振东，张林，李大海. 基于机器学习的物联网入侵检测系统综述[J]. 计算机工程与应用, 2021, 57(4): 18-27.

协同训练支持向量机对遥感影像的分类研究

Research Tri-training SVMS for remote sensing image classification

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics