DS聚类集成算法提升高光谱图像分类精度

"这篇论文介绍了一种基于DS聚类的高光谱图像集成分类算法（DSCEA），旨在解决高光谱遥感图像因高维度和少量样本导致的分类精度低的问题。该算法首先通过随机选取波段构建不同的训练样本，然后利用图像的空谱信息建立无向加权图，并运用优势集（DS）聚类方法来寻找最具特征差异的波段子集。接下来，使用支持向量机（SVM）对这些样本进行训练，生成多个分类器，最后通过多数表决法将它们集成到一个最终分类器中，从而实现高光谱图像的高效分类。在Indian Pines和Pavia University两个数据集上的实验结果显示，DSCEA算法的分类精度分别达到了84.61%和91.89%，证实了该算法的有效性。" 本文是一篇由刘万军教授等人撰写的研究论文，发表于2018年，得到了国家自然科学基金的支持。论文主要关注的是高光谱遥感图像的分类问题。高光谱图像由于其高维特性，往往存在样本稀疏、分类难度大的挑战。为了解决这一问题，研究者提出了一种新颖的DSCEA算法，它结合了DS聚类和集成学习策略。 DS聚类是一种基于集合论的概念，用于找出具有最大差异性的子集。在高光谱图像的背景下，DS聚类有助于从众多波段中挑选出最具代表性和差异性的部分，这对于减少冗余信息和提高分类性能至关重要。无向加权图的构建则有助于捕捉图像的空间和光谱信息，进一步优化波段选择。 支持向量机（SVM）作为一种强大的监督学习模型，被用于训练基于不同样本的分类器。每个分类器都有自己的决策边界，通过集成学习，可以整合各个分类器的优势，提高整体分类效果。多数表决法在此过程中起到了关键作用，它根据各个分类器的预测结果，选择最频繁出现的类别作为最终分类结果。 实验结果在两个标准高光谱图像数据集——Indian Pines和Pavia University上进行了验证，DSCEA算法在这两个数据集上都取得了较高的分类精度，显示了算法的有效性和鲁棒性。这种基于DS聚类的集成分类方法对于高光谱图像处理领域具有重要的理论和实践意义，为未来的工作提供了新的思路和工具。