張 良，羅祎敏，馬洪超，張 帆，胡 川

(1.湖北大學(xué) 資源環(huán)境學(xué)院，武漢 430062； 2.武漢大學(xué) 遙感信息工程學(xué)院，武漢 430079； 3.國(guó)網(wǎng)湖北省電力公司 檢修公司，武漢 430077)

基于未標(biāo)簽信息主動(dòng)學(xué)習(xí)算法的高光譜影像分類

張 良1*，羅祎敏2，馬洪超2，張 帆1，胡 川3

(1.湖北大學(xué) 資源環(huán)境學(xué)院，武漢 430062； 2.武漢大學(xué) 遙感信息工程學(xué)院，武漢 430079； 3.國(guó)網(wǎng)湖北省電力公司 檢修公司，武漢 430077)

(*通信作者電子郵箱zhangliang_hubeiU@hotmail.com)

針對(duì)高光譜遙感影像分類中，傳統(tǒng)的主動(dòng)學(xué)習(xí)算法僅利用已標(biāo)簽數(shù)據(jù)訓(xùn)練樣本，大量未標(biāo)簽數(shù)據(jù)被忽視的問(wèn)題,提出一種結(jié)合未標(biāo)簽信息的主動(dòng)學(xué)習(xí)算法。首先，通過(guò)K近鄰一致性原則、前后預(yù)測(cè)一致性原則和主動(dòng)學(xué)習(xí)算法信息量評(píng)估3重篩選得到預(yù)測(cè)標(biāo)簽可信度高并具備一定信息量的未標(biāo)簽樣本；然后，將其預(yù)測(cè)標(biāo)簽當(dāng)作真實(shí)標(biāo)簽加入到標(biāo)簽樣本集中; 最后，訓(xùn)練得到更優(yōu)質(zhì)的分類模型。實(shí)驗(yàn)結(jié)果表明，與被動(dòng)學(xué)習(xí)算法和傳統(tǒng)的主動(dòng)學(xué)習(xí)算法相比，所提算法能夠在同等標(biāo)記的代價(jià)下獲得更高的分類精度，同時(shí)具有更好的參數(shù)敏感性。

高光譜遙感；主動(dòng)學(xué)習(xí)；圖像分類；未標(biāo)簽信息。

0 引言

高光譜遙感圖像分類是圖像處理技術(shù)中重要的一類技術(shù)，其標(biāo)簽樣本的獲取十分困難，所以如何利用有限的訓(xùn)練樣本獲得更優(yōu)的分類模型是一個(gè)備受關(guān)注的問(wèn)題[1]。近幾年，隨著機(jī)器學(xué)習(xí)的不斷發(fā)展，越來(lái)越多的機(jī)器學(xué)習(xí)算法，如深度學(xué)習(xí)[2]、遷移學(xué)習(xí)[3]、流行學(xué)習(xí)[4]和主動(dòng)學(xué)習(xí)已經(jīng)被應(yīng)用于高光譜遙感圖像分類問(wèn)題中[5]。其中主動(dòng)學(xué)習(xí)算法通過(guò)篩選高質(zhì)量的訓(xùn)練樣本，從而在有限數(shù)量的訓(xùn)練樣本幫助下獲得更優(yōu)的分類模型[6]，相比于被動(dòng)學(xué)習(xí)的隨機(jī)選擇樣本進(jìn)行標(biāo)注，主動(dòng)學(xué)習(xí)算法能通過(guò)優(yōu)化選擇訓(xùn)練樣本，使得訓(xùn)練集合的構(gòu)成更有目的性，避免了盲目標(biāo)注的弊病，提高了分類精度，受到了學(xué)界的廣泛關(guān)注。然而，能夠成為訓(xùn)練樣本的標(biāo)簽數(shù)據(jù)畢竟是少數(shù)，在高光譜圖像數(shù)據(jù)中還有大量未標(biāo)記信息沒(méi)有被利用。因此，如何利用未標(biāo)記的數(shù)據(jù)來(lái)輔助標(biāo)簽數(shù)據(jù)，并設(shè)計(jì)出高效的半監(jiān)督的主動(dòng)學(xué)習(xí)算法是一個(gè)重要方向[7]。實(shí)際上，部分未標(biāo)注數(shù)據(jù)中可以被分類器預(yù)測(cè)正確，對(duì)于這種未標(biāo)簽信息如果加入訓(xùn)練樣本集，將其預(yù)測(cè)標(biāo)簽當(dāng)作真實(shí)標(biāo)簽賦給它們，可能大大降低人工標(biāo)記的成本[8]。

基于上述考慮，本文提出了一種結(jié)合未標(biāo)簽信息的主動(dòng)學(xué)習(xí)算法，通過(guò)可信度和信息量的雙重篩選，從未標(biāo)簽數(shù)據(jù)中選出信息量大且預(yù)測(cè)標(biāo)簽可信度高的未標(biāo)簽數(shù)據(jù)，將其預(yù)測(cè)標(biāo)簽當(dāng)作真實(shí)標(biāo)簽使用，并組建新的訓(xùn)練樣本集，從而訓(xùn)練得到更優(yōu)質(zhì)的分類模型。

1 主動(dòng)學(xué)習(xí)算法

主動(dòng)學(xué)習(xí)的目的就在于選擇出最具標(biāo)注價(jià)值的樣本，獲得最優(yōu)的訓(xùn)練樣本集，從而達(dá)到優(yōu)化分類模型的效果。這個(gè)概念最早由Angluin[9]在1988年提出，隨著對(duì)其研究的不斷深入，主動(dòng)學(xué)習(xí)技術(shù)已被廣泛應(yīng)用于各個(gè)領(lǐng)域。Tuia等[10-11]對(duì)多種經(jīng)典的主動(dòng)學(xué)習(xí)算法在高光譜遙感影像分類上的應(yīng)用作了歸納，其中包括邊緣取樣主動(dòng)學(xué)習(xí)算法、基于支持向量的邊緣取樣算法、熵值裝袋查詢算法和基于后驗(yàn)概率取樣算法BT(Breaking Ties)。另外，Di 等[12-13]在2012年提出多視圖的主動(dòng)學(xué)習(xí)算法，通過(guò)不同的波段子集組合投票表示樣本點(diǎn)的分歧度從而得到其標(biāo)注價(jià)值。Crawford 等[14]對(duì)以上文獻(xiàn)中經(jīng)典的多種主動(dòng)學(xué)習(xí)算法進(jìn)行了總結(jié)論述，并將它們作用于高光譜遙感影像數(shù)據(jù)進(jìn)行實(shí)驗(yàn)分析。實(shí)驗(yàn)證明，主動(dòng)學(xué)習(xí)算法的應(yīng)用可以顯著地降低樣本標(biāo)注成本。

就高光譜遙感圖像的分類問(wèn)題而言，主動(dòng)學(xué)習(xí)算法應(yīng)用的基本流程如圖1所示，其中：C為一個(gè)或多個(gè)分類器；L為有標(biāo)簽的訓(xùn)練樣本集；Q為待標(biāo)記樣本選擇策略，用于查找未標(biāo)簽樣本中信息量大的能幫助提高分類精度的樣本；U為整個(gè)未標(biāo)簽樣本集；S為標(biāo)注專家，負(fù)責(zé)對(duì)Q中篩選出的候選樣本進(jìn)行人工標(biāo)記。由圖1可知，主動(dòng)學(xué)習(xí)算法的核心是待標(biāo)記樣本點(diǎn)的選擇策略。選擇策略的目的就是選出對(duì)分類器性能和分類效果提高有貢獻(xiàn)的信息量大的待標(biāo)記樣本點(diǎn)。

圖1 主動(dòng)學(xué)習(xí)流程

主動(dòng)學(xué)習(xí)算法中，BT算法是建立后驗(yàn)概率之上的算法，所以，所屬每類概率的獲得是算法實(shí)現(xiàn)的基礎(chǔ)。就每個(gè)樣本點(diǎn)xi屬于w類的概率p而言，對(duì)于支持向量機(jī)(Support Vector Machine, SVM)的決策函數(shù)輸出，可以使用sigmoid函數(shù)估計(jì)所得，如式(1)所示。

(1)

其中A和B都是估計(jì)值[14]。得到每個(gè)樣本點(diǎn)所屬每類的概率之后，根據(jù)BT算法的思想，首先通過(guò)訓(xùn)練集構(gòu)造SVM分類器，再按照式(1)得到將候選集C中每個(gè)樣本點(diǎn)屬于各個(gè)類別(分類器中N個(gè)分類類別)的概率，然后對(duì)樣本點(diǎn)最大概率和次大概率差值排序，最后根據(jù)式(2)選取部分差值最小的點(diǎn)作為待標(biāo)記樣本點(diǎn)，標(biāo)記后加入到訓(xùn)練樣本集L中。

(2)

2 結(jié)合未標(biāo)簽信息的主動(dòng)學(xué)習(xí)算法

傳統(tǒng)的主動(dòng)學(xué)習(xí)算法的每次迭代過(guò)程，都有大量不滿足選擇策略Q的未標(biāo)簽樣本被重新放回至未標(biāo)簽集U，并在下一次迭代中又重新參與計(jì)算，這樣大大增加了算法的時(shí)間復(fù)雜度和計(jì)算復(fù)雜度。另一方面，部分未標(biāo)簽樣本同樣可以提供有效的信息，卻未能被有效利用。因此，本文提出結(jié)合未標(biāo)簽信息的主動(dòng)學(xué)習(xí)算法。在原主動(dòng)學(xué)習(xí)算法流程之上，針對(duì)不滿足條件的未標(biāo)簽樣本R，采用未標(biāo)簽樣本選擇策略Q′進(jìn)行未標(biāo)簽樣本的篩選，將滿足條件的預(yù)測(cè)標(biāo)簽作為真實(shí)標(biāo)簽，使這些未標(biāo)簽樣本成為標(biāo)簽樣本，與人工標(biāo)簽樣本一同加入訓(xùn)練集L訓(xùn)練，更新分類模型，算法流程如圖2所示。

由圖2可得，結(jié)合未標(biāo)簽信息的主動(dòng)學(xué)習(xí)算法的核心在于未標(biāo)簽樣本選擇策略Q′。選出的未標(biāo)簽樣本的預(yù)測(cè)標(biāo)簽的可靠性會(huì)極大影響訓(xùn)練樣本集的整體質(zhì)量。另外，如果篩選出信息量小的未標(biāo)簽樣本太多，也會(huì)削弱大信息量樣本的作用。更糟糕的是，那些信息量小的未標(biāo)簽樣本一旦被預(yù)測(cè)錯(cuò)誤，給分類器帶來(lái)嚴(yán)重錯(cuò)誤的訓(xùn)練信息。所以，為了優(yōu)化分類器，被選出的未標(biāo)簽樣本及賦予它的預(yù)測(cè)標(biāo)簽必須同時(shí)具有可靠性和較高的信息量。而其中信息量由不確定度來(lái)判斷，不確定度越高的像素點(diǎn)被錯(cuò)分的概率就越大，就代表其越難被判斷為具體哪一類別，其信息量也就越大。

圖2 結(jié)合未標(biāo)簽信息的主動(dòng)學(xué)習(xí)算法流程

針對(duì)上述問(wèn)題，為了篩選出高質(zhì)量的未標(biāo)簽樣本，本文設(shè)計(jì)了如下未標(biāo)簽信息的選擇策略Q′，這個(gè)策略包括三個(gè)重要的過(guò)程：K近鄰一致性判斷，前后預(yù)測(cè)一致性判斷和信息量判斷。具體流程如圖3所示，前兩個(gè)篩選步驟保證了所選樣本預(yù)測(cè)標(biāo)簽的可靠性，最后一個(gè)篩選步驟保證了所選樣本的具備較高的信息量，優(yōu)化分類模型。

圖3 未標(biāo)簽樣本選擇流程

1)K近鄰一致性判斷策略：由K近鄰分類算法思想衍生而來(lái)[15]，K近鄰分類算法是一種非常經(jīng)典的分類算法，該算法認(rèn)為，兩個(gè)光譜角距離較小的像素相似度較高，被歸于同一類別的可能性也較高。故在這里K近鄰的思想可以被用于保證未標(biāo)簽樣本預(yù)測(cè)標(biāo)簽的可靠性。其方法是將待標(biāo)記樣本的預(yù)測(cè)標(biāo)簽和其相似度最高的K個(gè)近鄰的預(yù)測(cè)或者真實(shí)標(biāo)簽進(jìn)行比對(duì)，如果全部一致，就說(shuō)明該未標(biāo)記樣本的預(yù)測(cè)標(biāo)簽可信度高，其運(yùn)算式可表示為式(3)。這里相似度的度量也是采取光譜角距離。對(duì)未標(biāo)簽樣本u來(lái)說(shuō)，不一致系數(shù)的計(jì)算如式(1)，其中k為所選近鄰個(gè)數(shù)，fl(u)和fl(xi)為u和xi的預(yù)測(cè)或真實(shí)標(biāo)簽。

(3)

2)前后預(yù)測(cè)一致性判斷策略：K近鄰一致性判斷是橫向比較，該一致性判斷是縱向比較，進(jìn)一步確保未標(biāo)簽樣本預(yù)測(cè)標(biāo)簽的可靠性，通過(guò)比較未標(biāo)簽樣本當(dāng)前和上一次迭代過(guò)程中分類器對(duì)其標(biāo)簽預(yù)測(cè)的結(jié)果進(jìn)行判斷[8]。如果近鄰標(biāo)簽和該未標(biāo)簽樣本預(yù)測(cè)標(biāo)簽全部表現(xiàn)一致，就說(shuō)明這個(gè)未標(biāo)簽樣本的預(yù)測(cè)標(biāo)簽可靠。因?yàn)榍昂髢纱嗡?xùn)練出的分類器，對(duì)該點(diǎn)的類別判定一致，那么該點(diǎn)預(yù)測(cè)標(biāo)簽的可靠性便可進(jìn)一步得到保證。

3)信息量估計(jì)策略：雖然前兩步篩選所得的未標(biāo)簽樣本的預(yù)測(cè)標(biāo)簽正確性可以保證，但是這些點(diǎn)的信息量沒(méi)有被評(píng)估，如果其中信息量小的未標(biāo)簽樣本太多，會(huì)削弱少數(shù)的信息量大的樣本的作用，而真正能為分類器的優(yōu)化和分類精度的提高做貢獻(xiàn)的是那些信息量大的樣本。所以，需要利用主動(dòng)學(xué)習(xí)算法的思想對(duì)那些預(yù)測(cè)標(biāo)簽正確性有保障的未標(biāo)簽樣本進(jìn)行信息量的篩選。利用式(1)和(2)對(duì)第1)、2)步已經(jīng)篩選出來(lái)未標(biāo)簽樣本點(diǎn)進(jìn)行信息量的評(píng)估和排序，取信息量較高的未標(biāo)簽信息加入到訓(xùn)練樣本集中。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 數(shù)據(jù)介紹

本文選用博茨瓦納數(shù)據(jù)(BOTswana,BOT)和美國(guó)波士頓數(shù)據(jù)(簡(jiǎn)稱KSC)為實(shí)驗(yàn)數(shù)據(jù)。BOT于2001年5月在OkavangoDelta、Botswana地區(qū)采集，該地區(qū)包括濕地和高地兩個(gè)生態(tài)系統(tǒng)，光譜范圍是 357～2 576nm，光譜分辨率為10nm，空間分辨率為 30m×30m，共 145 個(gè)波段。KSC于1996年3月美國(guó)肯尼迪航天中心由可見(jiàn)光紅外成像光譜儀拍攝，該地區(qū)同樣包括濕地和高地兩個(gè)生態(tài)系統(tǒng)，光譜范圍為400～2 500nm，光譜分辨率為10nm，空間分辨率為 18m×18m，共 176個(gè)波段。

兩組實(shí)驗(yàn)研究區(qū)域高光譜影像的假彩色影像以及地面真實(shí)標(biāo)記數(shù)據(jù)如圖4～5所示。

圖4 BOT數(shù)據(jù)

圖5 KSC數(shù)據(jù)

3.2 算法有效性分析

為了評(píng)價(jià)本文算法效果，分別對(duì)被動(dòng)學(xué)習(xí)算法、主動(dòng)學(xué)習(xí)算法和結(jié)合未標(biāo)簽信息的主動(dòng)學(xué)習(xí)算法對(duì)兩組高光譜影像數(shù)據(jù)的分類結(jié)果進(jìn)行對(duì)比。每組實(shí)驗(yàn)數(shù)據(jù)中的標(biāo)簽數(shù)據(jù)依舊被分為三份：標(biāo)簽樣本集、未標(biāo)簽樣本集和測(cè)試樣本集。BOT、KSC實(shí)驗(yàn)樣本數(shù)據(jù)分配如表1所示。

表1 實(shí)驗(yàn)樣本數(shù)據(jù)分配

為驗(yàn)證算法的有效性這里的總體分類精度為20次實(shí)驗(yàn)結(jié)果的平均值，近鄰數(shù)K設(shè)置為7，取信息量較高的前50%，分類器選擇為支持向量機(jī)lib-SVM。對(duì)比結(jié)果如圖6所示。

圖6 不同數(shù)據(jù)分類精度實(shí)驗(yàn)結(jié)果

從圖6中可以得到，結(jié)合未標(biāo)簽信息的主動(dòng)學(xué)習(xí)算法優(yōu)于主動(dòng)學(xué)習(xí)算法和被動(dòng)學(xué)習(xí)算法。其中BOT數(shù)據(jù)在同樣達(dá)到效果最為明顯，僅迭代兩次就達(dá)到了飽和，分類精度最高高出主動(dòng)學(xué)習(xí)算法5.146 4%。對(duì)于KSC數(shù)據(jù)效果在前5次迭代時(shí)非常明顯，分類精度最高可高出主動(dòng)學(xué)習(xí)算法2.796 3%。由此可見(jiàn)，在同等迭代次數(shù)(標(biāo)記樣本數(shù))下，結(jié)合未標(biāo)簽信息的主動(dòng)學(xué)習(xí)算法能夠獲得更高的分類精度。

3.3 參數(shù)敏感性分析

結(jié)合未標(biāo)簽信息的主動(dòng)學(xué)習(xí)算法中有一個(gè)重要的參數(shù)K，K代表未標(biāo)簽樣本選擇過(guò)程中近鄰一致性判斷的近鄰數(shù)。在不同K值下的對(duì)比結(jié)果如圖7所示。

圖7 不同數(shù)據(jù)參數(shù)敏感性分析結(jié)果

由圖7可知，不同K值下的分類精度曲線差異較小，幾條線基本可以重疊。說(shuō)明本文算法穩(wěn)定性較好，對(duì)參數(shù)K取值敏感性較小。

4 結(jié)語(yǔ)

本文提出的結(jié)合未標(biāo)簽信息的主動(dòng)學(xué)習(xí)算法，通過(guò)可信度和信息量的雙重篩選，從未標(biāo)簽數(shù)據(jù)中選出信息量大且預(yù)測(cè)標(biāo)簽可信度高的未標(biāo)簽數(shù)據(jù)，將其預(yù)測(cè)標(biāo)簽當(dāng)作真實(shí)標(biāo)簽使用，并組建新的訓(xùn)練樣本集，從而訓(xùn)練得到更優(yōu)質(zhì)的分類模型。實(shí)驗(yàn)證明，與被動(dòng)學(xué)習(xí)算法和傳統(tǒng)的主動(dòng)學(xué)習(xí)算法相比，在同等標(biāo)記代價(jià)下，結(jié)合未標(biāo)簽信息的主動(dòng)學(xué)習(xí)算法能夠獲得更高的分類精度。另一方面，未標(biāo)簽樣本的選擇過(guò)程過(guò)于繁瑣，計(jì)算量過(guò)于龐大，有待繼續(xù)探索更高效的解決方案。

)

[1] 郝澤東,余淞淞,關(guān)佶紅.基于主動(dòng)學(xué)習(xí)的高光譜圖像分類方法[J].計(jì)算機(jī)應(yīng)用,2013,33(12):3441-3443,3448.(HAOZD,YUSS,GUANJH.Hyperspectralimageclassificationbasedonactivelearning[J].JournalofComputerApplications, 2013, 33(12): 3441-3443, 3448.)

[2]CHENYC,LINZH,ZHAOX,etal.Deeplearning-basedclassificationofhyperspectraldata[J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing, 2014, 7(6): 2094-2107.

[3]RAJANS,GHOSHJ.Exploitingclasshierarchiesforknowledgetransferinhyperspectraldata[J].IEEETransactionsonGeoscienceandRemoteSensing, 2006, 44(11): 3408-3417.

[4]KIMW,CRAWFORDMM.Adaptiveclassificationforhyperspectralimagedatausingmanifoldregularizationkernelmachines[J].IEEETransactiononGeoscienceandRemoteSensing, 2012, 48(11): 4110-4121.

[5] 陳進(jìn).高光譜圖像分類方法研究[D].長(zhǎng)沙:國(guó)防科學(xué)技術(shù)大學(xué),2010:11-12.(CHENJ.Onclassificationmethodofhyperspectralimages[D].Changsha:NationalUniversityofDefenseTechnology, 2010: 11-12.)

[6]TUIAD,RATLEF,PACIFICIF,etal.Activelearningmethodsforremotesensingimageclassification[J].IEEETransactionsonGeoscienceandRemoteSensing, 2009, 47(7): 2218-2232.

[7] 劉康.基于主動(dòng)學(xué)習(xí)的高光譜圖像分類技術(shù)研究[D].北京:中國(guó)礦業(yè)大學(xué)(北京),2014:12-13.(LIUK.Hyperspectralsensingimageclassificationtechnologybasedonactivelearning[D].Beijing:ChinaUniversityofMiningandTechnology(Beijing), 2014: 12-13.)

[8]WANLJ,TANGK,LIMZ,etal.Collaborativeactiveandsemisupervisedlearningforhyperspectralremotesensingimageclassification[J].IEEETransactionsonGeoscienceandRemoteSensing, 2015. 53(5): 2384-2396.

[9]ANGLUIND.Queriesandconceptlearning[J].MachineLearning, 1988, 2(4): 319-342.

[10]TUIAD,RATLEF,PACIFICIF,etal.Activelearningmethodsforremotesensingimageclassification[J].IEEETransactionsonGeoscienceandRemoteSensing, 2009, 47(7): 2218-2232.

[11]TUIAD,PASOLLIE,EMERYWJ.Usingactivelearningtoadaptremotesensingimageclassifiers[J].RemoteSensingofEnvironment, 2011, 115(9): 2232-2242.

[12]DIW,CRAWFORDMM.Viewgenerationformultiviewmaximumdisagreementbasedactivelearningforhyperspectralimageclassification[J].IEEETransactionsonGeoscienceandRemoteSensing, 2012, 50(5): 1942-1954.

[13]DIW,CRAWFORDMM.Multi-viewadaptivedisagreementbasedactivelearningforhyperspectralimageclassification[C]//Proceedingsofthe2010IEEEInternationalGeoscienceandRemoteSensingSymposium.Piscataway,NJ:IEEE, 2010: 1374-1377.

[14]CRAWFORDMM,TUIAD,YANGHL.Activelearning:anyvalueforclassificationofremotelysenseddata[J].ProceedingsoftheIEEE, 2013, 101(3): 593-608.

[15]LIJ,BIOUCAS-DIASJM,PLAZAA.Semi-supervisedhyperspectralimagesegmentationusingmultinomiallogisticregressionwithactivelearning[J].IEEETransactionsonGeoscienceandRemoteSensing, 2010, 48(11): 4085-4098

ThisworkispartiallysupportedbytheNationalNaturalScienceFoundationofChina(41601504).

ZHANG Liang, born in 1986, Ph. D., lecturer. His research interests include machine learning, intelligent classification of remote sensing image, three-dimensional point cloud data processing.

LUO Yimin, born in 1993, M. S. candidate. Her research interests include intelligent classification of remote sensing image.

MA Hongchao, born in 1968, Ph. D., professor. His research interests include machine learning, intelligent classification of remote sensing image, three-dimensional point cloud data processing.

ZHANG Fan, born in 1981, Ph. D., lecturer. His research interests include machine learning, signal processing.

HU Chuan, born in 1985, M. S. candidate. His research interests include machine learning, smart grid.

Hyperspectral remote sensing image classification based on active learning algorithm with unlabeled information

ZHANG Liang1*, LUO Yimin2, MA Hongchao2, ZHANG Fan1, HU Chuan3

(1.FacultyofResourcesandEnvironmentalScience,HubeiUniversity,WuhanHubei430062,China; 2.SchoolofRemoteSensingandInformationEngineering，WuhanUniversity,WuhanHubei430079,China; 3.MaintenanceCompany,StateGridHubeiElectricPowerCompany,WuhanHubei430077,China)

In hyperspectral remote sensing image classification, the traditional active learning algorithms only use labeled data for training sample, massive unlabeled data is ignored. In order to solve the problem, a new active learning algorithm combined with unlabeled information was proposed. Firstly, by realizing triple screening ofKneighbor consistency principle,predict consistency principle, and information evaluation of active learning, the unlabeled sample with a certain amount of information and highly reliable prediction label was obtained. Then, the prediction label was added to the label sample set as real label. Finally, an optimized classification model was produced by training the sample. The experimental results show that, compared with the passive learning algorithms and the traditional active learning algorithms, the proposed algorithm can obtain higher classification accuracy under the precondition of the same manual labeling cost and get better parameter sensitivity.

hyperspectral remote sensing; active learning; image classification; unlabeled information

2016- 10- 31;

2017- 01- 12。 基金項(xiàng)目:國(guó)家自然科學(xué)基金資助項(xiàng)目(41601504)。

張良(1986—)，男，浙江紹興人，講師，博士，主要研究方向：機(jī)器學(xué)習(xí)、遙感影像智能分類、三維點(diǎn)云數(shù)據(jù)處理;羅祎敏(1993—)，女，湖北武漢人，碩士研究生，主要研究方向：遙感影像智能分類; 馬洪超(1968—)，男，浙江紹興人，教授，博士，主要研究方向：機(jī)器學(xué)習(xí)、遙感影像智能分類、三維點(diǎn)云數(shù)據(jù)處理; 張帆(1981—)，男，湖北武漢人，講師，博士，主要研究方向：機(jī)器學(xué)習(xí)、信號(hào)處理;胡川(1985—)，男，湖北黃石人，碩士研究生，主要研究方向：機(jī)器學(xué)習(xí)、智能電網(wǎng)。

1001- 9081(2017)06- 1768- 04

10.11772/j.issn.1001- 9081.2017.06.1768

P407.8

A