混合熵与L1范数在遥感图像分类中的应用

"这篇论文是2012年中国矿业大学学报上发表的一篇自然科学论文，主要探讨了一种用于遥感图像分类的新方法——基于混合熵和L1范数的概率型最小二乘支持向量机(PLSSVM)。该方法针对遥感图像的高维度、非线性和大量无标记样本的特性，通过混合熵选取有价值的样本，并利用L1范数去除异常和冗余点，从而提高分类的准确性和效率。在实际的ROSIS高光谱遥感图像分类实验中，该方法取得了89.90%的总精度和0.8685的Kappa系数，显示出良好的分类性能。" 在这篇论文中，作者首先指出遥感图像数据的挑战，即高维性、非线性结构以及大量未标注样本的存在。为了解决这些问题，他们提出了一种创新的分类策略。混合熵的概念被引入，它是准熵和熵差分的组合，目的是从大量无标签样本中选择最具代表性的样本。这一过程有助于减少分类时对大量样本的依赖，同时确保选取的样本能够有效地反映图像的特征。 接下来，论文采用L1范数作为距离度量标准，L1范数相比于L2范数更能够检测和剔除数据集中的孤立点和冗余点，这一步骤进一步优化了样本集合，降低了噪声干扰，提升了分类模型的稳定性。 然后，论文介绍了概率型最小二乘支持向量机(PLSSVM)。传统的支持向量机(SVM)在处理大规模数据集时可能会遇到计算复杂度高的问题，而PLSSVM则通过引入概率模型来降低计算复杂性，使其更适合处理遥感图像这样的大数据问题。结合之前通过混合熵和L1范数筛选的样本，PLSSVM可以训练出更精准的分类器。 在实验部分，作者使用ROSIS高光谱遥感图像作为测试数据，结果显示，提出的分类方法在保持较低训练样本数量的同时，实现了较高的分类精度。总精度达到89.90%，Kappa系数为0.8685，这两个指标均表明了方法的有效性。Kappa系数是评估分类一致性的重要指标，0.8685的值表明分类结果与实际情况有很高的对应度。 这篇论文提出了一种针对遥感图像的高效分类方法，它结合了混合熵和L1范数的优势，能够从大量无标签样本中选择关键信息，同时减少了噪声的影响，提高了分类器的性能。这种方法对于处理遥感图像这种大规模、高复杂性的数据集具有重要的应用价值。