3D Gabor多视图主动学习提升高光谱图像分类精度

本文研究关注高光谱遥感图像（HSI）的自动标注难题，这是一种具有高分辨率光谱信息的遥感图像类型，其精确分类对于地理信息系统至关重要。针对标记样本不足的问题，研究者探索了基于3D Gabor多视图主动学习的策略来提升分类性能。 首先，文章介绍了3D Gabor滤波器在高光谱图像处理中的应用。3D Gabor滤波器是一种特殊的滤波器，它同时考虑了空间和频率维度，能够捕捉图像中的局部纹理和方向信息，从而提取出丰富的空谱特征。通过使用不同尺度和方向的3D Gabor滤波器组，研究者能够同时捕获空间和光谱特征，形成一个多视图的特征表示，这种多模态特征有助于提高分类的鲁棒性和准确性。 接下来，文章重点提出了多视图后验概率差异最小（MPPD）的样本查询策略。MPPD是一种有效的主动学习方法，它根据当前模型的不确定性以及新样本与已有类别间的后验概率差异来选择最有价值的未标记样本进行交互式标注。这种方法旨在最小化模型在每个迭代步骤后的不确定性，从而逐步提升分类模型的性能，减少标注需求。 在实验部分，研究者选择了30个初始标记样本，在ROSIS Pavia University和AVIRIS Indiana Pines两个高光谱数据集上进行了100次迭代。结果显示，结合3D Gabor特征的多视图和MPPD查询策略，分类精度分别达到了94.16%和91.30%，这证明了3D Gabor特征的有效性和多视图方法在提供多样性与互补性特征方面的优势。此外，MPPD策略有效地指导了样本选择，减少了标注工作量，提高了整体分类效率。 该研究为解决高光谱遥感图像分类中样本标注难题提供了创新的方法，通过3D Gabor特征的多视图主动学习和MPPD查询策略，提升了分类精度，展示了在高光谱图像处理领域的潜在应用价值。这对于推动遥感数据分析向定量分析的转变，以及后续的高光谱应用如植被健康监测、城市规划等具有重要意义。