异常训练样本探测：基于中位数绝对偏差的遥感图像分析

"这篇论文提出了一种基于中位数绝对偏差的异常训练样本探测方法，应用于遥感图像的监督分类中，旨在提高分类精度。在遥感图像信息提取和变化检测过程中，训练样本的质量对监督分类的结果有重大影响。由于各种条件限制和人为错误，可能会选择到不纯或错误的异常训练样本，导致分类精度下降。为解决这一问题，该方法利用中位数绝对偏差统计量分析图像的光谱信息，识别并剔除这些异常样本。在实际应用中，选择了Landsat-8获取的南昌市部分地区光学遥感图像数据，通过支持向量机进行分类，并对比了包含异常训练样本和剔除异常训练样本后的分类效果。实验结果显示，剔除异常样本后，分类精度显著提高。关键词包括：测量、遥感图像、光谱信息、监督分类、中位数绝对偏差和异常训练样本探测。" 遥感图像的监督分类是信息提取和变化监测的重要手段，其精度受训练样本质量的直接影响。训练样本的选择至关重要，因为它们不仅提供分类模型学习的基础，还直接影响最终分类结果的准确性。然而，在实际操作中，由于地理环境的复杂性和人为因素，可能会引入不纯或异常的训练样本，这些样本会干扰模型的学习过程，降低分类的可靠性。 中位数绝对偏差（Median Absolute Deviation, MAD）是一种稳健的统计量，它能有效抵抗异常值的影响，适用于异常训练样本的检测。这种方法通过对遥感图像的光谱特征进行分析，计算每个像素值与中位数的绝对偏差，以此来识别那些远离正常分布的异常样本。中位数相比平均数更能抵抗极端值的影响，因此更适合作为基础统计量。 在实验中，研究者利用Landsat-8卫星获取的光学遥感图像，这是一种广泛用于地球观测的数据源，提供了丰富的地表信息。他们使用支持向量机（Support Vector Machine, SVM），这是一种强大的机器学习算法，常用于遥感图像的分类。通过对比含有异常训练样本和剔除异常样本后的SVM分类结果，证明了剔除异常样本可以显著提升分类的精确度。 基于中位数绝对偏差的异常训练样本探测方法提供了一种有效的方法，用于优化遥感图像监督分类的过程，提高了分类的精度。这一方法的应用有助于减少因异常样本引起的分类误差，对于遥感图像处理和分析领域具有重要的实践意义。通过这种方法，可以更好地理解和处理遥感图像数据，从而提高遥感信息的提取质量和变化检测的准确性。