高光谱图像多标签分类

动机

高光谱图像单标签分类中，稳定易分的特征空间应该是类内差异小而类间差异大的。而混合像元的存在，使特征空间朝着相反的方向发展，即类内差异性变大，类间耦合性变强，这给分类带来了极大的负面影响。

1. 混合像元导致属于同一类地物对象的光谱特征千差万别。
   
   图 1 中，作为端元的地物为蓝线石、绿脱石、榍石，虚线为纯像元的光谱曲线，实线为混合像元的光谱曲线。混合像元中主要地物榍石的丰度占比为 0. 7，其余地物按丰度总和为 0. 3 等比例混入。纯净榍石的光谱曲线( 黑色虚线) 走势较为平滑。当榍石混入其余矿物时，各波段的反射率向混入矿物的相应波段的反射率发生一定的偏移，光谱曲线走势也向混入矿物的光谱曲线 走势产生一定的趋近。
2. 混合像元导致属于不同类别的地物的光谱特征相似性增强。
   
   图 2 显示了两类地物随着混合程度的加深产生的光谱相似性的增加。在图 2 中，作为端元的地物为榍石和绿脱石，虚线为纯像元的光谱曲线，实线为混合像元的光谱曲线。纯净榍石的光谱曲线( 黑色虚线) 走势较为平滑简单，各波段的平均反射率相对较低。纯净绿脱石的光谱曲线( 蓝色虚线) 有着较多波峰波谷，走势较为复杂，且各波段的平均反射率相对较高。但随着两类地物各自混入另一类地物比例的增加，对应的光谱曲线越来越相似，两者的分类边界的决策也变得越来越困难。

多标签分类

多标签分类采用BR算法，将多标签问题按标签转换为二分类问题。
可以把多标签的算法应用到高光谱图像分类中。

• 问题转换方法：这类算法通过将多标签学习问题转化为其他成熟的学习场景来处理多标签学习问题。 代表性的算法包括一阶方法、二阶相关和高阶方法分类器链，一阶方法将多标签学习任务转换为二元分类任务，二阶方法校准标签排序将多标签学习任务转换为 标签排序任务和高阶方法将多标签学习任务转化为多类分类任务的随机k标签集。
• 算法适应方法：这类算法通过适应流行的学习技术直接处理多标签数据来处理多标签学习问题。具有代表性的算法包括一阶MLKNN自适应延迟学习技术，一阶ML-DT自适应决策树技术，二阶Rank-SVM自适应核心技术，以及二阶CML自适应信息理论技术
  

评估标准