雙層視圖篩選下多視圖主動(dòng)學(xué)習(xí)的高光譜圖像分類

陳立偉，崔玉婕，房赫，佟志勇

1.哈爾濱工程大學(xué) 信息與通信工程學(xué)院, 黑龍江 哈爾濱 150001

2.黑龍江省軍區(qū), 黑龍江 哈爾濱 150001

高光譜圖像分類 (hyperspectral image classification, HIC)是高光譜圖像解譯中的重要分支，然而高光譜圖像中已標(biāo)記訓(xùn)練樣本十分稀缺，嚴(yán)重限制了高光譜圖像分類精度的提升[1]。針對(duì)上述的小樣本情景，研究學(xué)者發(fā)現(xiàn)主動(dòng)學(xué)習(xí)可以很好地解決此問(wèn)題[2]。主動(dòng)學(xué)習(xí)算法的研究主要可以分為單視圖主動(dòng)學(xué)習(xí)(single view active learning, SVAL)和 多 視 圖 主 動(dòng) 學(xué) 習(xí) (multi view active learning,MVAL)[3]。然而，單一的視圖特征對(duì)圖像的特征表示是有限的[4]，高光譜圖像中豐富的光譜信息和空間特征信息促使多視圖主動(dòng)學(xué)習(xí)成為一個(gè)重要的研究方向[5]。

多視圖主動(dòng)學(xué)習(xí)包括2個(gè)重要的內(nèi)容：多視圖生成和樣本選擇策略[6]，其中視圖的質(zhì)量會(huì)直接影響樣本選擇策略，從而影響最終的分類結(jié)果[7]，因此，如何獲得兼具差異性、互補(bǔ)性和多樣性的視圖引起學(xué)者廣泛關(guān)注。Di等[8?9]提出波段的平均劃分和基于相關(guān)性的光譜聚類方法；Chen等[10]提出隨機(jī)劃分法，利用光譜波段子集合形成多個(gè)視圖。然而，這些方法僅關(guān)注到高光譜圖像（hyperspectral image，HSI）的光譜特征，忽視了HSI中豐富的空間特征信息，因此得到的分類精度不高。Wang等[11]提出2D-Gabor濾波的視圖生成方法；Zhou等通過(guò)三維冗余離散小波變換提取空間特征，從而產(chǎn)生了多個(gè)視圖；Hu等[12]提出了基于3D-Gabor濾波的視圖生成方法，利用不同頻率和方向的3D-Gabor濾波器將原始的HSI轉(zhuǎn)換為具有不同特征的空?譜特征集，再結(jié)合多視圖篩選策略，選擇最具充分性和多樣性的視圖特征形成最終視圖。Xu等[13?14]通過(guò)計(jì)算視圖條件互信息 (conditional mutual information, CMI)來(lái)衡量 2 個(gè)視圖之間的多樣性，然而條件互信息的計(jì)算量大、耗時(shí)長(zhǎng)，對(duì)于高維的HSI數(shù)據(jù)來(lái)講，其實(shí)現(xiàn)難度較大。

針對(duì)上述視圖間條件互信息難以計(jì)算問(wèn)題，本文提出了一種視圖多樣性強(qiáng)度值衡量方法，將經(jīng)過(guò)視圖充分性篩選的多視圖再次進(jìn)行排列組合，計(jì)算每個(gè)組合下的多樣性強(qiáng)度值，選擇多樣性強(qiáng)度值最大的一組排列組合作為最終視圖特征。傳統(tǒng)基于條件互信息的視圖多樣性篩選的數(shù)值計(jì)算對(duì)象是三維HSI數(shù)據(jù)，而本文計(jì)算多樣性強(qiáng)度值是面向HSI像元，計(jì)算視圖間對(duì)應(yīng)像元特征向量（即光譜曲線）的相似性，從而實(shí)現(xiàn)了低維中視圖多樣性強(qiáng)度值計(jì)算，有效地減少了計(jì)算量，使得本文提出的多視圖主動(dòng)學(xué)習(xí)在保持HSI分類精度的同時(shí)，有效地減少耗時(shí)，降低時(shí)間成本。

1 雙層視圖篩選策略下多視圖主動(dòng)學(xué)習(xí)算法框架

近年來(lái)，越來(lái)越多學(xué)者發(fā)現(xiàn)HSI數(shù)據(jù)包含有豐富空間信息，盡管對(duì)空間信息的提取方式各有異同，但是都認(rèn)同空間信息對(duì)HSI分類的重要貢獻(xiàn)[15?16]。其中，對(duì)高光譜圖像進(jìn)行3D-Gabor濾波將高光譜圖像的光譜信息和空間信息相結(jié)合的方法獲得廣泛關(guān)注。為了使最終獲取的多視圖特征同時(shí)具有差異性、互補(bǔ)性和多樣性的特點(diǎn)，本文引入了雙層視圖篩選策略對(duì)3D-Gabor濾波后產(chǎn)生的特征數(shù)據(jù)集進(jìn)行2次篩選，通過(guò)計(jì)算多樣性強(qiáng)度值，有效降低了視圖篩選過(guò)程中的計(jì)算量。

基于雙層視圖篩選策略下高光譜圖像多視圖主動(dòng)學(xué)習(xí)分類框圖如圖1所示，其包括3個(gè)主要部分：多視圖生成、多視圖篩選和候選樣本篩選。首先，對(duì)原始HSI采用Z個(gè)不同頻率和方向的3D-Gabor濾波器進(jìn)行濾波，得到與原始高光譜圖像尺寸相同、兼具空間?光譜信息的Z個(gè)數(shù)據(jù)立方體。然后，進(jìn)行雙層視圖篩選，先利用Fisher’s (FR) 準(zhǔn)則[12]衡量全部Z個(gè) 3D-Gabor立方體的類別可分性，再將類別可分性按大小進(jìn)行排序，選擇其中FR值最大的X個(gè)3D-Gabor立方體，然后從這X個(gè)立方體中選擇Y個(gè)（Y≤X）個(gè)彼此最不相似的立方體，將這Y個(gè)數(shù)據(jù)立方體作為Y個(gè)多視圖進(jìn)行后續(xù)的多視圖主動(dòng)學(xué)習(xí)。最后，利用Y個(gè)視圖訓(xùn)練Y個(gè)分類器，并分別預(yù)測(cè)全部樣本的類別標(biāo)簽，利用分類器間預(yù)測(cè)結(jié)果的不一致性找出信息量最大的未標(biāo)記樣本，并交給人工專家標(biāo)注，加入分類器訓(xùn)練集，進(jìn)而使用擴(kuò)充后的訓(xùn)練樣本集繼續(xù)訓(xùn)練Y個(gè)分類器，依次迭代，直到滿足設(shè)定的最大迭代次數(shù)或最終的分類精度達(dá)到預(yù)設(shè)值。

圖1 雙層視圖篩選策略下高光譜圖像多視圖主動(dòng)學(xué)習(xí)框圖

2 多視圖生成與多視圖雙層篩選策略

2.1 基于 3D-Gabor濾波的視圖生成方法

Gabor濾波器由于其能夠從光譜和空間域提取相關(guān)信息，可獲得最佳的聯(lián)合時(shí)頻分辨率，因此被廣泛應(yīng)用于特征提取。3D-Gabor濾波器的數(shù)學(xué)模型可以表示為

式中： ω 為波向量的中心頻率，φ為向量和光譜維度的夾角，θ是樣本的特征向量在地面x、y上的投影與x軸的夾角， ωx、ωy、ωλ分別為樣本的特征向量在高光譜圖像的橫縱坐標(biāo)軸x、y和光譜方向上的投影，g(x,y,λ)是在 (x,y,λ)域的三維高斯包絡(luò)線，其他因子為指數(shù)諧波。

為了得到多個(gè)3D-Gabor濾波器，通過(guò)改變?chǔ)蘸?θ值可獲得多個(gè)3D-Gabor濾波器，文中的 φ和θ分別選取 (0、π/4、π/2、3π/4)。需要特別說(shuō)明的是，當(dāng) φ取值為0時(shí)，θ的值也受限于0，因此實(shí)際只有13個(gè)方向；為了獲取不同尺度的紋理特征，本文還選取了5個(gè)不同的頻率值 ω進(jìn)行計(jì)算，分別是(1/4、1/8、1/12、1/16、1/20)。高光譜圖像經(jīng)過(guò)3D-Gabor濾波后，得到65個(gè)在頻率和方向上不一樣的高光譜圖像特征立方體，這些3DGabor立方體與原始高光譜圖像尺寸完全相同。

2.2 基于 FR 準(zhǔn)則的視圖充分性篩選

FR準(zhǔn)則利用類間和類內(nèi)的散度矩陣衡量每個(gè)3D-Gabor立方體的類別可分性，確保篩選后的視圖具有充分性，對(duì)于視圖m,m∈ (1,2,···,Z)，其FR值的計(jì)算表達(dá)式為

式中：Ds為初始已標(biāo)記樣本集，r為地物類別數(shù)，(μi?μj)(μi?μj)T為第i類與第j類均值類間散射矩陣 ， ( μi?x)(μi?x)T+(μj?x)(μj?x)T為 第i類與 第j類的方差類內(nèi)分散矩陣。FR值越大表明對(duì)此視圖的類別區(qū)分能力越強(qiáng)，即視圖的充分性越強(qiáng)。因此，本文中通過(guò)計(jì)算Z個(gè)視圖下的FR值，選擇前X個(gè)最大的FR值對(duì)應(yīng)的視圖，進(jìn)行下個(gè)階段視圖多樣性篩選。

2.3 基于視圖多樣性強(qiáng)度值的視圖多樣性篩選

傳統(tǒng)條件互信息的視圖多樣性篩選方法通過(guò)計(jì)算視圖間條件互信息測(cè)度來(lái)選出彼此最不相似的幾個(gè)數(shù)據(jù)立方體，然而條件互信息計(jì)算對(duì)象是三維HSI立方體，因此計(jì)算量大、耗時(shí)長(zhǎng)，尤其對(duì)于高維的高光譜圖像數(shù)據(jù)來(lái)講，其實(shí)現(xiàn)難度較大。針對(duì)上述問(wèn)題，本文計(jì)算多樣性強(qiáng)度值是面向HSI像元，計(jì)算視圖間對(duì)應(yīng)像元特征向量（即光譜曲線）的相似性，從而實(shí)現(xiàn)了低維空間下視圖多樣性的衡量，有效地減少計(jì)算量。其主要流程如下：

1）首先，計(jì)算從X個(gè)視圖中選取Y個(gè)視圖存在k=種組合可能性，Gl（l=1,2,···,k）表示其中的第l種組合。

2）計(jì)算排列組合下的多樣性強(qiáng)度值DI，第Gl個(gè)組合下的視圖多樣性強(qiáng)度計(jì)算公式為

式中：d(vi,vj)表示視圖vi和視圖vj之間的多樣性，vi和vj均為第Gl種排列組合下包含的視圖。d(vi,vj)計(jì)算公式為

式中： | ?|為取絕對(duì)值，A和B為視圖vi和視圖vj對(duì)應(yīng)的二維矩陣，mn是HSI的圖像大小，A和B每行代表一個(gè)像元的光譜曲線，A和B是矩陣A和B的所有元素的平均值。d(vi,vj)∈[0,1]，若d(vi,vj)=0，則說(shuō)明視圖vi和視圖vj完全不相關(guān)，即多樣性最強(qiáng)；若d(vi,vj)=1，則表示視圖vi和視圖vj完全相關(guān)，多樣性最弱。

3）將k種組合下k個(gè)多視圖強(qiáng)度值DI進(jìn)行排序，選取前Y個(gè)最小的DI值所對(duì)應(yīng)的視圖，將其作為最終的Y個(gè)視圖。

3 樣本采樣策略

本文采用的樣本采樣策略基于各個(gè)視圖預(yù)測(cè)結(jié)果的不一致性。通過(guò)比較不同分類器對(duì)樣本的不同預(yù)測(cè)結(jié)果的個(gè)數(shù)，衡量樣本的不確定性，從候選集選出不同預(yù)測(cè)標(biāo)簽個(gè)數(shù)最多的樣本進(jìn)行查詢，該方法稱為自適應(yīng)最大不一致策略(adaptive maximum disagreement, AMD)[8]，具體表達(dá)式為

式中：Ll(xi)為第l個(gè)分類器對(duì)樣本xi的分類結(jié)果，共有Y個(gè)分類器；DC為候選集； | ?|count表示不同元素的個(gè)數(shù)。

通過(guò)計(jì)算候選集中所有候選樣本的QAMD值，選取值最大的c個(gè)候選樣本經(jīng)過(guò)人工標(biāo)注后加入至訓(xùn)練集，進(jìn)行下一輪迭代。

4 實(shí)驗(yàn)結(jié)果與討論

4.1 實(shí)驗(yàn)數(shù)據(jù)集

為了驗(yàn)證本文提出的雙層視圖篩選策略的有效性，本文選取了2幅常用的高光譜圖像，分別是Indian Pines數(shù)據(jù)集和Salinas數(shù)據(jù)集。

Indian Pines數(shù)據(jù)集中包含了大量的農(nóng)林場(chǎng)景，具有相似光譜信息的地物類別給此數(shù)據(jù)集下的分類識(shí)別帶來(lái)很強(qiáng)的挑戰(zhàn)性。其圖像大小為145 像素×145 像素，即包含 21 025 個(gè)像元，空間分辨率可達(dá)20 m，去除噪聲波段后，最終剩余200個(gè)波段用于分類識(shí)別。但是以上21 025個(gè)像元中只對(duì)10 249個(gè)像元進(jìn)行了16個(gè)類別的標(biāo)定。

Salinas數(shù)據(jù)集是在美國(guó)的Salinas山谷中拍攝獲取的，其空間的分辨率達(dá)到了3.7 m，去除噪聲和水吸收波段后，剩余204個(gè)波段用于后續(xù)分類，其圖像大小為512 像素×217 像素，經(jīng)過(guò)類別標(biāo)注后，54 129個(gè)樣本被標(biāo)注為了16個(gè)類別。

4.2 實(shí)驗(yàn)設(shè)計(jì)

本文采用的分類精度評(píng)價(jià)指標(biāo)為總體精度(overall accuracy, OA)、平均精度 (average accuracy,AA) 和 Kappa 系數(shù)。所有實(shí)驗(yàn)均在 Intel (R) Core(TM) i5- 10210U CPU @ 1.60 GHz 的 MATLAB R2018a 中進(jìn)行。

為了驗(yàn)證本文基于視圖多樣性強(qiáng)度值的多視圖主動(dòng)學(xué)習(xí)方法的有效性，本文實(shí)驗(yàn)結(jié)果將分別與其他4種方法進(jìn)行比較：第1種方法是光譜平均分割法[7](spectral uniform slicing, SUS)；第 2 種是3D-Gabor濾波產(chǎn)生多視圖后隨機(jī)篩選視圖(3D-Gabor and random selection, 3D-Gabor-RS)， 其屬于無(wú)視圖篩選下的空?譜多視圖主動(dòng)學(xué)習(xí)算法；第3種是3D-Gabor濾波后分別學(xué)習(xí)單個(gè)視圖的類別區(qū)分能力后，將類別區(qū)分能力最強(qiáng)的Y個(gè)視圖 組 成 多 視 圖[13](3D-Gabor and selection based single-view learning, 3D-Gabor-SV)，其屬于一層視圖篩選下的空?譜多視圖主動(dòng)學(xué)習(xí)算法；第4種是3D-Gabor濾波后基于多視圖條件互信息篩選多 視 圖[14](3D-Gabor and selection based conditional mutual information, 3D-Gabor-CMI)。

所有實(shí)驗(yàn)均選用相同參數(shù)的MLR分類器，樣本篩選策略均使用上述的AMD采樣策略，其中c值取15，即每次迭代根據(jù)采樣策略從候選集選擇15個(gè)未標(biāo)記樣本；學(xué)習(xí)迭代次數(shù)為20。涉及3D-Gabor濾波器的算法中，均采用相同參數(shù)的3D-Gabor濾波器進(jìn)行視圖生成，得到65個(gè)不同頻率和方向的3D-Gabor立方體。為了避免實(shí)驗(yàn)的隨機(jī)性，每組實(shí)驗(yàn)重復(fù)10次后計(jì)算平均值。主動(dòng)學(xué)習(xí)通常是一個(gè)迭代過(guò)程，文中涉及的所有主動(dòng)學(xué)習(xí)均為迭代算法，因此后續(xù)中運(yùn)算時(shí)間均是指訓(xùn)練時(shí)間與測(cè)試時(shí)間之和，即從初始已標(biāo)記樣本開始第一次迭代訓(xùn)練至所有的訓(xùn)練完成，輸出最終分類結(jié)果的時(shí)間總和。

4.3 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)1比較不同算法下多視圖主動(dòng)學(xué)習(xí)分類效果。Indian Pines數(shù)據(jù)集和Salinas數(shù)據(jù)集下，初始訓(xùn)練集均隨機(jī)選取每類別5個(gè)標(biāo)記樣本，Indian Pines數(shù)據(jù)集和 Salinas數(shù)據(jù)集中，3D-Gabor-CMI算法和本文算法中X取10，最終的視圖個(gè)數(shù)均為6個(gè)，即2種算法下的Y值取6。Indian Pines數(shù)據(jù)集上，5種不同算法的分類性能可由表1對(duì)比得出，每個(gè)評(píng)價(jià)指標(biāo)下的最優(yōu)值已用粗體標(biāo)明。

表1 Indian Pines數(shù)據(jù)集不同算法下分類結(jié)果對(duì)比

SUS算法是將原始光譜特征平均分割后產(chǎn)生多視圖，然而光譜波段分割使每組波段的地物區(qū)分能力被削弱，此算法僅利用了光譜特征，其分類性能遠(yuǎn)低于另外4種空?譜分類算法，如與3DGabor-RS相比，OA精度要低22.23%，說(shuō)明高光譜圖像的空間特征對(duì)類別區(qū)分的重要性；3D-Gabor-RS算法雖然提取空間特征產(chǎn)生了多視圖，但是由于缺少視圖篩選過(guò)程，故其分類性能與另外3種算法相比分類性能差別明顯，但是由于上述2種算法并未涉及視圖篩選，故其運(yùn)算時(shí)間小于另外3種算法；3D-Gabor-SV算法分別學(xué)習(xí)單個(gè)視圖的類別區(qū)分能力，再將類別區(qū)分能力最強(qiáng)的幾個(gè)視圖組成多視圖，與3D-Gabor-RS相比，OA精度提升了6.28%，該算法種雖然包含了視圖篩選過(guò)程，但是視圖篩選過(guò)程既要保證多樣性又要保證充分性，故其分類性能與另外2種算法相比稍顯遜色；3D-Gabor-CMI和本文算法分類性能差別不大，但就運(yùn)算時(shí)間來(lái)看，本文算法的運(yùn)算時(shí)間遠(yuǎn)小于3D-Gabor-CMI，說(shuō)明本文算法在低維空間下視圖多樣性的衡量，在保證分類精度的同時(shí)，有效地減少了計(jì)算量。

Salinas數(shù)據(jù)集上，5種不同算法的分類性能可由表2對(duì)比得出，每個(gè)評(píng)價(jià)指標(biāo)下的最優(yōu)值已用粗體標(biāo)明。Salinas數(shù)據(jù)集上幾種對(duì)比算法的對(duì)比結(jié)果與Indian Pines數(shù)據(jù)集上類似，其中3DGabor-CMI算法和本文算法均獲得明顯的分類性能提升，同時(shí)本文算法所需運(yùn)算時(shí)間遠(yuǎn)小于3DGabor-CMI算法，說(shuō)明本文算法在減少視圖篩選運(yùn)算量的有效性。

表2 Salinas 數(shù)據(jù)集不同算法下分類結(jié)果對(duì)比

實(shí)驗(yàn)2不同初始已標(biāo)記樣本數(shù)量下算法穩(wěn)定性。 由實(shí)驗(yàn)1發(fā)現(xiàn)，3D-Gabor-CMI算法與本文算法較另外幾種算法有很大的分類性能提升，但是兩者之間的運(yùn)算時(shí)間有一定差距。為了進(jìn)一步驗(yàn)證不同初始樣本數(shù)量對(duì)算法穩(wěn)定性的影響，分別對(duì)Indian Pines數(shù)據(jù)集和Salinas數(shù)據(jù)集上進(jìn)行不同初始已標(biāo)記樣本數(shù)量對(duì)比，其中Indian Pines數(shù)據(jù)集的初始已標(biāo)記樣本數(shù)量S分別選擇{5，10，15，20，25}，由于 Salinas數(shù)據(jù)集的像素規(guī)模大于Indian Pines數(shù)據(jù)集，為了更能體現(xiàn)差異性，Salinas數(shù)據(jù)集上的初始已標(biāo)記樣本數(shù)量S分別選擇{5，15，25，35，45}，3D-Gabor-CMI算法和本文算法中X取10，最終的視圖個(gè)數(shù)均為6個(gè)，即2種算法下的Y值取6，2種算法的分類性能和運(yùn)算時(shí)間對(duì)比結(jié)果如表3和表4所示。

表3 Indian Pines數(shù)據(jù)集下不同初始樣本數(shù)量時(shí)分類性能和運(yùn)算時(shí)間對(duì)比

表4 Salinas數(shù)據(jù)集下不同初始樣本數(shù)量時(shí)分類性能和運(yùn)算時(shí)間對(duì)比

表3給出的為Indian Pines數(shù)據(jù)集下不同初始樣本數(shù)量時(shí)的分類性能和運(yùn)算時(shí)間對(duì)比，可以看出隨著初始已標(biāo)記樣本數(shù)量的增加，3D-Gabor-CMI算法和本文算法的OA精度均有明顯提升，且兩者相差無(wú)幾；就運(yùn)算時(shí)間來(lái)講，隨著初始已標(biāo)記樣本數(shù)量的增加，本文算法的運(yùn)算時(shí)間與3D-Gabor-CMI算法相比一直保持著明顯優(yōu)勢(shì)，這也反映出了本文算法在降低視圖篩選運(yùn)算量方面始終保持著穩(wěn)定性，進(jìn)一步驗(yàn)證了本文算法的有效性。

表4給出的為Salinas數(shù)據(jù)集下不同初始樣本數(shù)量時(shí)的分類性能和運(yùn)算時(shí)間對(duì)比，其對(duì)比結(jié)果與 Indian Pines數(shù)據(jù)集下類似，3D-Gabor-CMI算法與本文算法的分類性能不相上下，但本文算法的運(yùn)算時(shí)間與3D-Gabor-CMI算法相比明顯降低。

為了進(jìn)一步直觀展示本文算法在降低運(yùn)算量，減少視圖篩選運(yùn)算時(shí)間上的優(yōu)勢(shì)，在不同初始已標(biāo)記樣本數(shù)量下進(jìn)一步取不同(X,Y)值進(jìn)行實(shí)驗(yàn)，繪制了如圖2、圖3的運(yùn)算時(shí)間縮減倍數(shù)曲線圖，其主要展現(xiàn)的是本文算法與3D-Gabor-CMI算法相比運(yùn)算時(shí)間減少的倍數(shù)。

圖2 Indian Pines 數(shù)據(jù)集時(shí)間開銷縮減倍數(shù)曲線圖

圖3 Salinas數(shù)據(jù)集時(shí)間開銷縮減倍數(shù)曲線圖

從圖2中可以看出，在Indian Pines數(shù)據(jù)集下不同初始已標(biāo)記樣本數(shù)量和不同(X,Y)值組合時(shí)，本文算法與3D-Gabor-CMI算法相比，時(shí)間開銷的縮減倍數(shù)是不同的，進(jìn)一步觀察圖2可以發(fā)現(xiàn)，無(wú)論初始已標(biāo)記樣本數(shù)量為多少時(shí)，在X=10、Y=6時(shí)，即(10,6)時(shí)的縮減倍數(shù)是最大的，進(jìn)一步分析原因發(fā)現(xiàn)，在(X,Y)= (10,6)時(shí)，可以組合出210種組合，因?yàn)?210，而另外3種取值(X,Y)取值時(shí)，僅分別能組合出45種、84種和56種組合。當(dāng)可以組成的組合數(shù)越多時(shí)，3DGabor-CMI算法中需要計(jì)算的視圖的條件互信息次數(shù)越多，計(jì)算過(guò)程也就越繁瑣，此時(shí)本文算法在低維計(jì)算視圖多樣性的優(yōu)勢(shì)越明顯，因此此時(shí)的縮減倍數(shù)也就越大。在Indian Pines數(shù)據(jù)集中本文算法與3D-Gabor-CMI算法相比，時(shí)間開銷縮減倍數(shù)最高可達(dá)7.42倍。從圖3的Salinas數(shù)據(jù)集時(shí)間開銷縮減倍數(shù)曲線圖中得出與Indian Pines數(shù)據(jù)集下相似結(jié)果，即無(wú)論初始已標(biāo)記樣本數(shù)量為多少時(shí)，在X=10、Y=6時(shí)，即(10,6)時(shí)的縮減倍數(shù)是最大的，進(jìn)一步驗(yàn)證了本文算法在降低視圖篩選運(yùn)算量的有效性和穩(wěn)定性。

5 結(jié)論

針對(duì)傳統(tǒng)多視圖主動(dòng)學(xué)習(xí)中視圖篩選耗時(shí)大的問(wèn)題，提出了基于視圖多樣性強(qiáng)度值DI的雙層視圖篩選策略。

1）與傳統(tǒng)多視圖主動(dòng)學(xué)習(xí)算法中直接產(chǎn)生所需視圖不同的是，本文算法首先產(chǎn)生遠(yuǎn)大于所需視圖數(shù)量的多視圖，再進(jìn)行視圖篩選得到需要的多視圖，以此來(lái)保證視圖的充分性、多樣性。

2）針對(duì)傳統(tǒng)視圖多樣性篩選方法計(jì)算量大、耗時(shí)長(zhǎng)的問(wèn)題，本文面向HSI像元計(jì)算2個(gè)視圖像元間特征向量（即光譜曲線）的相似性，從而實(shí)現(xiàn)了低維空間下視圖多樣性的衡量，完成視圖多樣性篩選。

3）在 Indian Pines數(shù)據(jù)集和 Salinas數(shù)據(jù)集進(jìn)行多組仿真實(shí)驗(yàn)對(duì)比，結(jié)果表明所提出的算法在保證與傳統(tǒng)多視圖主動(dòng)學(xué)習(xí)相似的分類精度的同時(shí)，有效減少耗時(shí)，節(jié)省大量時(shí)間成本。

本文的視圖生成方法依賴于不同參數(shù)的3DGabor濾波器，針對(duì)不同高光譜圖像數(shù)據(jù)集，對(duì)應(yīng)的合適參數(shù)無(wú)法自適應(yīng)選擇，未來(lái)需要在此方面深入研究；另一方面，HSI包含了豐富空間特征，如何在多視圖主動(dòng)學(xué)習(xí)中更好融合空-譜特征是另外一個(gè)研究重點(diǎn)。