基于主动学习的高光谱图像分类方法研究

　　 最近在看主动学习的图像分割方法，其实就是选取样本点的问题，写在博客上以供日后参考，记录。原文来自一篇硕士文章<<基于主动学习的高光谱图像分类方法研究>>–王依萍，注明出处，现简做整理。 　　
　　 引言：考虑到传统基于SVM的主动学习算法在分类过程中只利用了图像单一的光谱信息而忽略了图像的空间信息，本文提出了几种主动学习和空间信息相结合的分类方法。具体研究内容如下：
　　 1. 提出了一种基于主动学习结果修正的高光谱图像分类方法。在该算法中，首先利用传统的 SVM 主动学习算法对高光谱图像进行分类，得到一个初始的分类结果，然后计算每个训练样本和它的邻域样本之间的光谱相似性，并与给定的阈值进行比较，最后利用比较的结果对初始分类结果进行修正，得到最终的分类结果。
　　2. 提出了一种基于主动学习的两阶段高光谱图像分类方法。该方法把普通的高光谱图像分类过程分为两个阶段，第一阶段利用图像的空间信息先对训练样本的邻域样本进行分类，第二阶段结合第一阶段分类的结果利用传统主动学习算法对剩余样本继续分类，最后把两阶段的分类结果进行合并即为最终的分类结果。
　　3. 提出了一种结合图像分割的主动学习高光谱图像分类方法。该方法首先利用一种分割方法对高光谱图像进行分割得到一幅分割图，然后利用基于主动学习的分类方法对高光谱图像进行分类得到一幅分类图，最后对这两幅分割图和分类图利用最大投票融合策略进行融合得到最终的分类结果。
　　 主动学习算法能够根据某种有效的采样策略主动地提出一些标记请求，然后将那些经过严格筛选的样本交给人工专家进行标记，从而不断地增大训练样本集的规模，那些经过筛选的样本就是那些信息量大且对分类器性能最有利的样本，然后将这些样本添加到训练样本集中去重新训练分类器。