• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于錨點(diǎn)建圖的半監(jiān)督分類在遙感圖像中的應(yīng)用

    2016-12-26 15:51:05童佳楠
    現(xiàn)代電子技術(shù) 2016年22期
    關(guān)鍵詞:圖像分類錨點(diǎn)

    童佳楠

    摘 要: 針對(duì)基于圖的半監(jiān)督圖像分類方法擴(kuò)展性差的問題,結(jié)合了mean shift圖像聚類算法和基于錨點(diǎn)建圖的方法并將其應(yīng)用于遙感圖像的分類中。首先采用mean shift聚類算法對(duì)遙感圖像聚類;其次根據(jù)基于錨點(diǎn)建圖的半監(jiān)督分類方法,選取聚類中心作為錨點(diǎn),利用錨點(diǎn)集和標(biāo)記樣本集建圖,達(dá)到縮小圖規(guī)模的目的,并建立錨點(diǎn)與樣本間的關(guān)聯(lián)矩陣;然后通過分類器得到錨點(diǎn)的標(biāo)記信息;最后由樣本與錨點(diǎn)間的關(guān)聯(lián)矩陣還原得到遙感圖像的分類結(jié)果。實(shí)驗(yàn)結(jié)果表明,該方法對(duì)遙感圖像分類時(shí),能夠有效地降低計(jì)算復(fù)雜度,同時(shí)獲取較好的分類結(jié)果。

    關(guān)鍵詞: 遙感圖像; 圖像分類; mean shift; 錨點(diǎn)

    中圖分類號(hào): TN957.52?34; TP79 文獻(xiàn)標(biāo)識(shí)碼: A 文章編號(hào): 1004?373X(2016)22?0092?0

    0 引 言

    遙感圖像具有較高的光譜分辨率,在航天、地質(zhì)勘探、農(nóng)業(yè)等領(lǐng)域獲得了越來越多的應(yīng)用,遙感圖像分類在遙感圖像應(yīng)用中具有重要的作用。但對(duì)遙感圖像分類也面臨以下難題:其一是如果采用傳統(tǒng)的非監(jiān)督方法對(duì)遙感圖像直接分類,因遙感圖像的復(fù)雜性和特殊性,很難獲得比較滿意的結(jié)果;其二采用監(jiān)督方法,需要運(yùn)用大量的訓(xùn)練樣本才能獲取較好的分類結(jié)果,而標(biāo)記樣本的獲取代價(jià)高昂,也容易出現(xiàn)分類器過擬合與訓(xùn)練樣本的問題。

    半監(jiān)督學(xué)習(xí)[1]可以很好地解決上述問題,首先大量的廉價(jià)的無標(biāo)記樣本也包含樣本特征信息,其次遙感圖像中標(biāo)記樣本的獲取十分昂貴。半監(jiān)督學(xué)習(xí)可以利用少量的已標(biāo)記樣本,結(jié)合大量的無標(biāo)記樣本建立分類器完成學(xué)習(xí)任務(wù)?;趫D的半監(jiān)督圖像分類在近年來圖像研究領(lǐng)域成為了一個(gè)研究熱點(diǎn),此方法結(jié)合圖理論,能夠充分利用圖像中的無標(biāo)記樣本信息,分類性能較好,且目標(biāo)函數(shù)優(yōu)化簡(jiǎn)單,因此更加高效,目前也有許多基于圖的半監(jiān)督分類方法[2?6]。

    基于圖的半監(jiān)督圖像分類方法是建立在圖理論的基礎(chǔ)上,但算法計(jì)算速度依賴于所構(gòu)建圖的規(guī)模大小,當(dāng)數(shù)據(jù)規(guī)模過大時(shí),如果還是每一個(gè)圖節(jié)點(diǎn)代表一個(gè)樣本點(diǎn),圖規(guī)模就會(huì)很龐大,計(jì)算的時(shí)間復(fù)雜度會(huì)很高,例如線性近鄰傳遞算法(Linear Neighborhood Propagation)、局部與全局一致性算法(Local and Global Consistency),其計(jì)算復(fù)雜度為[O(n3)],[n]為樣本個(gè)數(shù)。為了降低算法的復(fù)雜度,Blum 和Chawla提出了圖的最小割(Mincut)算法,并將其時(shí)間復(fù)雜度降低到了[O(cn2)],這里[c]為類別數(shù)。但最小割算法可能存在多個(gè)解,得到不同的分類結(jié)果。

    2010年Liu等提出基于錨點(diǎn)建圖的半監(jiān)督分類方法[7](Anchor Graph Regularization,AGR)。首先采用K?means算法對(duì)數(shù)據(jù)聚類,將聚類中心作為錨點(diǎn)得到錨點(diǎn)集,其次利用錨點(diǎn)與已標(biāo)記樣本建圖,縮小了圖規(guī)模,時(shí)間復(fù)雜度降為[Om2n,m?n],[n]為樣本總數(shù),[m]為聚類個(gè)數(shù)。但K?means聚類算法消耗時(shí)間過長(zhǎng),且遙感圖像混合像元問題使部分像元很難進(jìn)行非此即彼的劃分,部分區(qū)域地物類別邊界是過渡性的,沒有明顯邊界劃分,因此K?means不適宜對(duì)遙感圖像聚類。針對(duì)上述問題,本文采用mean shift聚類算法代替K?means算法對(duì)遙感圖像聚類,縮短了聚類時(shí)間,mean shift算法對(duì)噪聲也有一定的魯棒性,可以解決噪聲點(diǎn)帶來的干擾,提高聚類的有效性。其次在每個(gè)聚類中隨機(jī)選取一個(gè)點(diǎn)作為錨點(diǎn),得到錨點(diǎn)集,并與標(biāo)記樣本集建立圖。該方法不僅降低了算法復(fù)雜度,可以處理大規(guī)模圖像分類問題,同時(shí)在遙感圖像分類中具有較好的分類結(jié)果。

    1 AGR圖像分類方法

    設(shè)樣本數(shù)據(jù)集為[x=xini=l?Rd],共有[n]個(gè)樣本,[l]個(gè)是已標(biāo)記樣本,剩余的為未標(biāo)記樣本。為了解決大規(guī)模數(shù)據(jù)問題,將標(biāo)記預(yù)測(cè)函數(shù)定義為一個(gè)對(duì)錨點(diǎn)的加權(quán)平均函數(shù),當(dāng)?shù)玫藉^點(diǎn)的類別信息后,就可以通過映射關(guān)系得到與錨點(diǎn)密切相關(guān)的無標(biāo)記樣本的類別信息。將錨點(diǎn)加權(quán)平均函數(shù)表示為:[UA=ukmk=1?Rd],其中[uk]代表錨點(diǎn),標(biāo)記預(yù)測(cè)函數(shù)為:

    [f(xi)=k=1mZikf(uk)] (1)

    在這里定義兩個(gè)向量[f=[f(x1),f(x2),…,f(xn)]T]和[a=[f(u1),f(u2),…,f(um)]T];[a]為錨點(diǎn)的軟標(biāo)簽預(yù)測(cè)矩陣;[m]為錨點(diǎn)個(gè)數(shù)。式(1)可以寫成:

    [f=Za, Z∈Rn×m, m?n] (2)

    其中Z是一個(gè)權(quán)值矩陣,表示了錨點(diǎn)與所有樣本點(diǎn)的線性關(guān)系:

    [Zik=Kh(xi,uk)k∈Kh(xi,uk), ?k∈] (3)

    這里使用的是高斯核函數(shù)[Kh(xi,uk)=][exp-xi-uk22h2]。[?[1:m]]是一個(gè)保存[xi]的[s]個(gè)最近鄰錨點(diǎn)的索引,為了提高計(jì)算效率,規(guī)定每一個(gè)樣本[xi]只與[s]個(gè)[Zik]中值最大的錨點(diǎn)具有連接關(guān)系,其他連接均為0。

    由Z矩陣可以得到鄰接矩陣:

    [W=ZΛ-1ZT] (4)

    式中,[Λ∈Rm×m]是一個(gè)對(duì)角矩陣:

    [Λkk=i=1nZik] (5)

    由[s]的取值可以知道,所有的樣本點(diǎn)都只與部分近鄰錨點(diǎn)存在連接關(guān)系,所以矩陣W是稀疏的。Zhu提出稀疏圖對(duì)算法的性能的影響優(yōu)于全連通圖[1]。因?yàn)槿B通圖中,每個(gè)樣本的鄰接信息中含有大量重復(fù)的、干擾的信息,而稀疏圖在連接不同樣本時(shí)含有較少的錯(cuò)誤信息,對(duì)算法結(jié)果有正確的指導(dǎo)。由式(4)定義的鄰接矩陣所構(gòu)造的圖就是Anchor Graph。最后Anchor Graph的圖拉普拉斯矩陣為:

    [L=D-W=I-ZΛ-1ZT] (6)

    式中:D為對(duì)角線矩陣,[Dii=j=1nWij]。

    2 本文方法流程

    假設(shè)已標(biāo)記樣本[xi(i=1,2,…,l)],其標(biāo)記信息為[yi∈{1,2,…,c}],[c]為類別個(gè)數(shù)。用[Y=[y1,y2,…,yc]∈Rl×c]表示已標(biāo)記樣本的標(biāo)記信息,如果[yi=j],[Yij=1],否則[Yij=0]。用mean shift聚類算法對(duì)遙感圖像進(jìn)行聚類,得到各個(gè)類別的聚類中心,把每個(gè)聚類中心作為一個(gè)錨點(diǎn),得到AGR方法中的錨點(diǎn)集合。此時(shí)就需要求得錨點(diǎn)的標(biāo)簽預(yù)測(cè)矩陣[A=[a1,a2,…,ac]∈Rm×c]。選擇被廣泛應(yīng)用的圖拉普拉斯正則化項(xiàng)[ΩG(f)=12fTLf],可得到半監(jiān)督學(xué)習(xí)框架 :

    [minA=[a1,a2,…,ac]Γ(A)=12j=1cZlaj-yj2+γj=1cΩG(Zaj) =12ZlA-Y2F+γ2tr(ATZTLZA)] (7)

    式中:[Zl∈Rl×m]是[Z]矩陣的子矩陣,只包含標(biāo)記樣本;[·F]是Frobenius范數(shù);取[γ>0],為正則化參數(shù)。那么縮小后的拉普拉斯矩陣為:

    [L=ZTLZ=ZT(I-ZΛ-1ZT)Z =ZTZ-(ZTZ)Λ-1(ZTZ)] (8)

    縮小后的拉普拉斯矩陣存儲(chǔ)空間更小,易于計(jì)算,空間復(fù)雜度為[O(m2)],時(shí)間復(fù)雜度為[O(m3+m2n)]。這時(shí),目標(biāo)函數(shù)[Γ(A)]進(jìn)一步簡(jiǎn)化為:

    [Γ(A)=12ZlA-Y2F+γ2tr(ATLA)] (9)

    最后,就可以得到全局最優(yōu)解:

    [A*=(ZTlZl+γL)-1ZTlY] (10)

    得到了錨點(diǎn)的標(biāo)記信息,那么未標(biāo)記樣本的標(biāo)記信息就可以通過下式得到:

    [yi=argmaxj∈{1,2,…,c}Ziajλj, i=l+1,l+2,…,l+n] (11)

    式中:[Zi∈Rl×m]表示Z矩陣的第i行。[λj=ITZaj]表示歸一化因子,作用是平衡傾斜的類分布。

    具體的算法步驟如下:

    輸入:已標(biāo)記樣本[xi(i=1,2,…,l)],標(biāo)記信息[yi∈{1,2,…,c}]

    輸出:圖像分類結(jié)果

    (1) 用mean shift算法對(duì)遙感圖像進(jìn)行聚類,得到m個(gè)類,從每一個(gè)聚類中選取一個(gè)點(diǎn)作為錨點(diǎn);

    (2) 選擇合適的[γ];近鄰錨點(diǎn)個(gè)數(shù)s取3;

    (3) 計(jì)算Z矩陣,根據(jù)式(4)計(jì)算鄰接矩陣W;

    (4) 根據(jù)式(6)計(jì)算圖拉普拉斯矩陣L;

    (5) 根據(jù)式(10)計(jì)算錨點(diǎn)標(biāo)簽預(yù)測(cè)矩陣[A*];

    (6) 根據(jù)式(11)計(jì)算未標(biāo)記樣本的標(biāo)記。

    3 算法復(fù)雜度分析

    基于圖的半監(jiān)督分類方法,大多數(shù)方法中是每個(gè)樣本作為一個(gè)圖節(jié)點(diǎn)建立圖,所以計(jì)算復(fù)雜度為[O(n3)],其中[n]是樣本個(gè)數(shù)。本文方法中,mean shift的計(jì)算復(fù)雜度是[O(dn2t)],其中[d]是數(shù)據(jù)的空間維度,[t]是迭代次數(shù);基于錨點(diǎn)的算法的計(jì)算復(fù)雜度[7]是[O(m2n)],所以本文方法的計(jì)算復(fù)雜度是[O(dn2t)]+[O(m2n)],且m是聚類后得到的聚類中心個(gè)數(shù),[m?n],所以本文方法的計(jì)算復(fù)雜度是遠(yuǎn)小于原始基于圖的半監(jiān)督分類方法的計(jì)算復(fù)雜度[O(n3)]。

    4 實(shí)驗(yàn)結(jié)果與分析

    本文在Matlab R2012a下計(jì)算機(jī)內(nèi)存為2 GB,CPU為Intel Core i3,頻率為2.53 GHz的機(jī)器上運(yùn)行實(shí)驗(yàn)。實(shí)驗(yàn)采用的遙感圖像是IKONOS衛(wèi)星圖像,IKONOS衛(wèi)星圖像包含一個(gè)全色波段,分辨率為1 m,四個(gè)多光譜波段,分辨率為4 m。圖像大小為400×400,實(shí)驗(yàn)中對(duì)四個(gè)多光譜波段構(gòu)成的遙感圖像進(jìn)行分類,3個(gè)RGB多光譜波段構(gòu)成的真彩色圖像如圖1所示。根據(jù)實(shí)驗(yàn)區(qū)的特點(diǎn),具體樣本分類類別如表1所示。

    圖1中最左側(cè)兩片顏色灰白的區(qū)域是水泥建筑場(chǎng)地,右上側(cè)灌木林中間的一個(gè)藍(lán)色區(qū)域是一個(gè)房屋,這兩片區(qū)域在本文實(shí)驗(yàn)中都?xì)w為“公路居民區(qū)”類別。因此本次實(shí)驗(yàn)樣本類別個(gè)數(shù)為:“農(nóng)田”像元點(diǎn)數(shù)32 433,“荒裸地”像元點(diǎn)數(shù)41 825,“植被”像元點(diǎn)數(shù)67 978,“公路居民區(qū)”像元點(diǎn)數(shù)17 764。

    原文方法采用K?means聚類算法,不適應(yīng)對(duì)遙感圖像聚類,所以本文對(duì)遙感圖像的分類結(jié)果并未與原文方法進(jìn)行對(duì)比,而與遙感圖像處理平臺(tái)ENVI自帶的監(jiān)督支持向量機(jī)(SVM)方法進(jìn)行對(duì)比。

    本文實(shí)驗(yàn)SVM方法參數(shù)取值:核類型(Kernel Type)選擇Polynomial,核心多項(xiàng)式的次數(shù)取4,Classification Probability Threshold取0,其他參數(shù)采用默認(rèn)值。

    本文實(shí)驗(yàn)中標(biāo)記樣本均為人工選取,實(shí)驗(yàn)分四次,四次實(shí)驗(yàn)中每類標(biāo)記樣本個(gè)數(shù)分別為5,20,50,100,每一次實(shí)驗(yàn)中所有實(shí)驗(yàn)方法均采用相同的標(biāo)記樣本,且每次實(shí)驗(yàn)都在上次已有標(biāo)記樣本的基礎(chǔ)上添加新的標(biāo)記樣本。本文對(duì)實(shí)驗(yàn)結(jié)果的評(píng)價(jià)采用了Kappa系數(shù)和像元分類正確率(Pixel Classification Rate,PCR):

    [PCR=正確分類像元數(shù)圖像總像元數(shù)] (12)

    圖2和圖3分別為每類標(biāo)記樣本為50和100時(shí),本文方法和監(jiān)督SVM方法的實(shí)驗(yàn)結(jié)果。遙感圖像中樣本分為四類,紅色代表“荒裸地”的樣本點(diǎn),綠色代表“植被”的樣本點(diǎn),藍(lán)色代表“農(nóng)田”的樣本點(diǎn),黃色代表“公路居民區(qū)”的樣本點(diǎn)。對(duì)比圖2和圖3,可以發(fā)現(xiàn),本文方法優(yōu)于監(jiān)督SVM方法,圖4中區(qū)域標(biāo)號(hào)圖像為1的區(qū)域是農(nóng)田和沒有農(nóng)作物荒裸地區(qū)域,沒有灌木植被,本文方法明確地分為農(nóng)田和荒裸地兩類,而SVM方法中將一部分樣本錯(cuò)分為植被;在標(biāo)號(hào)為2的區(qū)域與右上角的空白區(qū)域一樣均為裸地,本文方法分類效果很好,而SVM方法分類效果顯然較差,部分樣本錯(cuò)分為農(nóng)田類別;標(biāo)號(hào)為3的區(qū)域中,有一排灌木植被在農(nóng)田中間,即右側(cè)的很少一部分還屬于農(nóng)田,可以看到還有農(nóng)作物存在,SVM方法中將此少部分農(nóng)田錯(cuò)分為裸地,本文方法大部分樣本分類正確;在標(biāo)號(hào)4的區(qū)域,可以看到是農(nóng)田和裸地的分界處,而可以明顯看到此處屬于農(nóng)田,只不過左側(cè)部分不存在農(nóng)作物,所以歸為裸地類別,在SVM方法分類結(jié)果中許多樣本點(diǎn)被錯(cuò)分為植被,而本文方法只有極少量樣本分錯(cuò),這是因?yàn)榘氡O(jiān)督學(xué)習(xí)的流形假設(shè),處于很小局部區(qū)域內(nèi)的樣本可能具有相似的標(biāo)記,此處的樣本明顯與鄰近的農(nóng)田相似性更大。

    對(duì)遙感圖像的分類精度的評(píng)價(jià)指標(biāo)是以分類結(jié)果的混淆矩陣為基礎(chǔ),總體分類精度和Kappa系數(shù)都要通過混淆矩陣計(jì)算得到,而為了更直觀地評(píng)價(jià)兩種方法的分類效果和優(yōu)缺點(diǎn),本文列出了每類標(biāo)記樣本數(shù)為100的分類結(jié)果的混淆矩陣:兩種方法在每類標(biāo)記樣本為100時(shí)的分類結(jié)果見表2和表3。

    混淆矩陣中每行的總和為每一類樣本的真實(shí)樣本數(shù),每一列的總和為分類結(jié)果中每一類的總樣本數(shù),括號(hào)內(nèi)的值為混淆矩陣對(duì)角線的和,即分類正確的樣本總數(shù)。漏分誤差即每類真實(shí)樣本中沒有被正確識(shí)別出來的樣本比例;錯(cuò)分誤差為分類結(jié)果中其他類別樣本被錯(cuò)分為此類的樣本占總和的比例。

    通過混淆矩陣的數(shù)字可以直觀地看到,本文方法的每一類樣本的錯(cuò)分誤差都小于SVM方法的錯(cuò)分誤差;本文方法對(duì)“植被”類別的分類正確率不如SVM方法的分類結(jié)果,但本文方法對(duì)細(xì)節(jié)處的分類效果更優(yōu)于SVM方法,例如在圖4中右側(cè)的灌木林,本文方法的分類結(jié)果中,瑣碎的極少量的裸地都被分出來;“荒裸地”和“農(nóng)田”類別的樣本分類正確率都明顯優(yōu)于SVM方法;而“公路居民”類別正確率低于SVM方法,由混淆矩陣可以看到是錯(cuò)分為“荒裸地”的樣本較多,這是因?yàn)閳D4中最左側(cè)的居民區(qū)建筑因?yàn)槠毓馓珡?qiáng),錯(cuò)分為“荒裸地”; “公路居民區(qū)”類別和“農(nóng)田”類別樣本差別明顯,本文方法把“公路居民區(qū)”錯(cuò)分為“農(nóng)田”的樣本數(shù)為零,而SVM方法的錯(cuò)分?jǐn)?shù)是9,本文方法對(duì)類別“公路居民區(qū)”和“農(nóng)田”之間的區(qū)分更優(yōu);本文方法總體精度和Kappa系數(shù)也明顯高于監(jiān)督SVM的。具體的分類結(jié)果統(tǒng)計(jì)如表4所示。

    從表4可以看出,本文方法分類結(jié)果明顯優(yōu)于監(jiān)督SVM方法,而監(jiān)督SVM方法是ENVI軟件的監(jiān)督分類方法中效果最優(yōu)的方法[8],且監(jiān)督SVM方法在小樣本時(shí)具有良好的分類效果。但半監(jiān)督的學(xué)習(xí)方法,結(jié)合無標(biāo)記樣本,優(yōu)于監(jiān)督學(xué)習(xí)方法,提高了分類性能。如標(biāo)記樣本數(shù)較少,為5和20時(shí),無標(biāo)記樣本作用明顯,分類精度和Kappa系數(shù)提高較大。通過觀察圖像和實(shí)驗(yàn)發(fā)現(xiàn),本此實(shí)驗(yàn)的遙感圖像中樣本比較復(fù)雜,地物交錯(cuò)比較嚴(yán)重,邊界過度不明顯,不同于城市居民區(qū)邊界清晰,這就給分類增加了難度,這也是分類精度不是很高的原因之一。實(shí)驗(yàn)結(jié)果驗(yàn)證了本文方法在遙感圖像分類中的有效性,相比監(jiān)督SVM方法獲得了更好的分類效果。

    本文方法在圖像聚類選取錨點(diǎn)時(shí)采用mean shift聚類算法,聚類樣本數(shù)160 000,平均用時(shí)9.4 s。原文[9]方法采用K?means聚類算法選取錨點(diǎn),文中給出了兩次實(shí)驗(yàn)結(jié)果中的聚類時(shí)間,7 291個(gè)樣本聚類時(shí)間是7.65 s;630 000個(gè)樣本聚類時(shí)間是195.16 s。因此mean shift聚類算法相比K?means算法縮短了聚類時(shí)間。

    5 結(jié) 語

    基于圖的半監(jiān)督圖像分類方法通常因?yàn)閿?shù)據(jù)規(guī)模大而導(dǎo)致內(nèi)存空間不足和分類時(shí)間過長(zhǎng),而遙感圖像通常規(guī)模較大且地物復(fù)雜、信息量大,所以影響了其在遙感圖像分類中的應(yīng)用。本文首先采用mean shift算法對(duì)遙感圖像聚類得到錨點(diǎn)集,利用錨點(diǎn)集和標(biāo)記樣本集建圖,縮小了圖規(guī)模,降低了計(jì)算復(fù)雜度,其次通過分類方法得到錨點(diǎn)的類別信息,最后映射還原到整個(gè)樣本集,得到遙感圖像分類結(jié)果。AGR方法解決了大規(guī)模圖像分類,本文采用mean shift算法縮短了錨點(diǎn)選取時(shí)間。實(shí)驗(yàn)結(jié)果表明,本文方法在遙感圖像分類中獲得了較好的分類結(jié)果,驗(yàn)證了其對(duì)遙感圖像分類的有效性。

    參考文獻(xiàn)

    [1] HUANG G, SONG S, GUPTA J, et al. A second order cone programming approach for semi-supervised learning[J]. Pattern recognition, 2013, 46(12): 3548-3558.

    [2] XIE W, LU Z, PENG Y, et al. Graph?based multimodal semi?supervised image classification [J]. Neuro computing, 2014, 138: 167?179.

    [3] BLUM A, CHAWLA S. Learning from labeled and unlabeled data using graph mincuts [C]// Proceedings of 2001 International Conference on Machine Learning. San Francisco: ACM, 2001: 19?26.

    [4] WANG F, ZHANG C. Label propagation through linear neighborhoods [J]. IEEE transactions on knowledge and data engineering, 2008, 20(1): 55?67.

    [5] ZHOU D, BOUSQUET O, LAL T N, et al. Learning with local and global consistency [J]. Advances in neural information processing systems, 2004, 16(4): 321?328.

    [6] ZHU X J, GHAHARMANI Z, LAFFERTY J. Semi?supervised learning using Gaussian fields and harmonic functions [C]// Proceedings of 20th International Conference on Machine Learning. Menlo Park: AAAI, 2003: 912?919.

    [7] LIU W, HE J, CHANG S F. Large graph construction for scalable semi?supervised learning [C]// Proceedings of the 27th International Conference on Machine Learning. Haifa: ACM, 2010: 679?686.

    [8] 閆琰,董秀蘭,李燕.基于ENVI的遙感圖像監(jiān)督分類方法比較研究[J].北京測(cè)繪,2011(3):14?16.

    [9] YU G, ZHANG G, DOMENICONI C, et al. Semi?supervised classification based on random subspace dimensionality reduction [J]. Pattern recognition, 2012, 45(3): 1119?1135.

    [10] CHENG Y. Mean shift, mode seeking, and clustering [J]. IEEE transactions on pattern analysis and machine intelligence, 1995, 17(8): 790?799.

    [11] WANG Y, CHEN S, ZHOU Z H. New semi?supervised classification method based on modified cluster assumption [J]. IEEE transactions on neural networks and learning systems, 2012, 23(5): 689?702.

    [12] D?PIDO I, LI J, MARPU P R, et al. Semi?supervised self?learning for hyperspectral image classification [J]. IEEE transactions on geoscience and remote sensing, 2013, 51(7): 4032?4044.

    猜你喜歡
    圖像分類錨點(diǎn)
    藝術(shù)史研究的錨點(diǎn)與視角
    ——《藝術(shù)史導(dǎo)論》評(píng)介
    基于NR覆蓋的NSA錨點(diǎn)優(yōu)選策略研究
    5G手機(jī)無法在室分NSA站點(diǎn)駐留案例分析
    5G NSA錨點(diǎn)的選擇策略
    基于錨點(diǎn)的4G+5G 網(wǎng)絡(luò)協(xié)同組網(wǎng)策略*
    5G NSA組網(wǎng)下錨點(diǎn)站的選擇策略優(yōu)化
    基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類技術(shù)研究與實(shí)現(xiàn)
    基于數(shù)據(jù)挖掘的圖像分類算法
    基于云計(jì)算的圖像分類算法
    一種基于引導(dǎo)濾波和MNF的高光譜遙感圖像分類方法
    亚洲精品国产av蜜桃| 国产97色在线日韩免费| 久久人人爽av亚洲精品天堂| 色婷婷久久久亚洲欧美| 一二三四社区在线视频社区8| 精品人妻熟女毛片av久久网站| 久久精品国产亚洲av高清一级| 后天国语完整版免费观看| 2018国产大陆天天弄谢| 女性被躁到高潮视频| 亚洲av在线观看美女高潮| 欧美黄色片欧美黄色片| 欧美精品人与动牲交sv欧美| 一本色道久久久久久精品综合| 丁香六月欧美| 欧美日韩黄片免| 欧美黑人精品巨大| 黄片小视频在线播放| 午夜福利乱码中文字幕| 老司机在亚洲福利影院| 2021少妇久久久久久久久久久| 国产精品 欧美亚洲| 在线观看免费午夜福利视频| 成在线人永久免费视频| avwww免费| 亚洲精品一卡2卡三卡4卡5卡 | 日本91视频免费播放| 男人爽女人下面视频在线观看| 成人亚洲欧美一区二区av| 激情视频va一区二区三区| 亚洲熟女毛片儿| 欧美 亚洲 国产 日韩一| 亚洲精品第二区| 蜜桃国产av成人99| 黄色视频不卡| 99热国产这里只有精品6| 国产一区二区 视频在线| 少妇 在线观看| av欧美777| 中文字幕另类日韩欧美亚洲嫩草| 亚洲成国产人片在线观看| 色播在线永久视频| 免费黄频网站在线观看国产| 日本a在线网址| 桃花免费在线播放| 精品国产国语对白av| 成人国产一区最新在线观看 | 一区二区三区乱码不卡18| 天天躁夜夜躁狠狠躁躁| 国产高清不卡午夜福利| e午夜精品久久久久久久| 少妇猛男粗大的猛烈进出视频| 美女视频免费永久观看网站| 国产精品.久久久| 69精品国产乱码久久久| 国产av国产精品国产| 国产高清视频在线播放一区 | 后天国语完整版免费观看| 久久人人爽av亚洲精品天堂| 久久久久久久大尺度免费视频| 亚洲成av片中文字幕在线观看| 欧美日韩成人在线一区二区| 色视频在线一区二区三区| 另类精品久久| 亚洲中文av在线| 久久精品久久久久久噜噜老黄| 久久精品久久精品一区二区三区| 国产欧美日韩一区二区三区在线| 国产一区二区激情短视频 | 日日摸夜夜添夜夜爱| 国产成人欧美| 成在线人永久免费视频| 美女扒开内裤让男人捅视频| 亚洲熟女毛片儿| 免费在线观看完整版高清| 成人手机av| 黄色怎么调成土黄色| 999精品在线视频| 亚洲久久久国产精品| 制服诱惑二区| 午夜日韩欧美国产| 国产又爽黄色视频| 只有这里有精品99| 中文字幕高清在线视频| www.自偷自拍.com| 满18在线观看网站| 欧美大码av| 黄网站色视频无遮挡免费观看| 国产一卡二卡三卡精品| 最黄视频免费看| 日日摸夜夜添夜夜爱| 欧美+亚洲+日韩+国产| 美女高潮到喷水免费观看| 人人妻人人澡人人看| 9191精品国产免费久久| 波多野结衣av一区二区av| 亚洲欧美一区二区三区黑人| 欧美另类一区| 纯流量卡能插随身wifi吗| 视频区欧美日本亚洲| 女警被强在线播放| 中文乱码字字幕精品一区二区三区| 欧美97在线视频| 国产精品 国内视频| 黑人猛操日本美女一级片| 99热全是精品| 女人久久www免费人成看片| 亚洲欧美成人综合另类久久久| 中文字幕高清在线视频| 欧美av亚洲av综合av国产av| 亚洲黑人精品在线| 黄片播放在线免费| 自线自在国产av| 老司机影院毛片| 成人国语在线视频| 国产亚洲av高清不卡| 一本一本久久a久久精品综合妖精| 婷婷色综合大香蕉| 日本欧美国产在线视频| 国产成人一区二区在线| 99久久精品国产亚洲精品| 一本久久精品| 久久狼人影院| 久久精品亚洲av国产电影网| 亚洲中文日韩欧美视频| 国产淫语在线视频| 国产极品粉嫩免费观看在线| 69精品国产乱码久久久| 国产精品久久久久成人av| 巨乳人妻的诱惑在线观看| 亚洲国产欧美一区二区综合| av一本久久久久| 五月天丁香电影| 成年动漫av网址| 电影成人av| 50天的宝宝边吃奶边哭怎么回事| 久久久久久久大尺度免费视频| 成人亚洲欧美一区二区av| 亚洲国产欧美在线一区| 久热爱精品视频在线9| 国产伦理片在线播放av一区| 18禁黄网站禁片午夜丰满| 亚洲国产最新在线播放| 又黄又粗又硬又大视频| 亚洲午夜精品一区,二区,三区| 亚洲 欧美一区二区三区| 国产精品久久久久成人av| www.自偷自拍.com| 妹子高潮喷水视频| 侵犯人妻中文字幕一二三四区| 性色av一级| 日韩欧美一区视频在线观看| 尾随美女入室| 免费观看av网站的网址| 亚洲国产日韩一区二区| 久久精品国产亚洲av高清一级| 极品少妇高潮喷水抽搐| 久久国产精品影院| 纯流量卡能插随身wifi吗| 国产精品久久久av美女十八| videos熟女内射| 亚洲精品美女久久久久99蜜臀 | 亚洲精品日本国产第一区| 黄色视频在线播放观看不卡| 女人高潮潮喷娇喘18禁视频| 亚洲国产欧美日韩在线播放| 黑丝袜美女国产一区| 国产国语露脸激情在线看| 我的亚洲天堂| 99国产精品一区二区三区| 热re99久久精品国产66热6| 国产成人系列免费观看| 中文字幕另类日韩欧美亚洲嫩草| 18禁黄网站禁片午夜丰满| 99国产精品99久久久久| 欧美成人午夜精品| 日本欧美视频一区| 高清视频免费观看一区二区| 99国产综合亚洲精品| 国产av精品麻豆| 久久久精品免费免费高清| 成人亚洲欧美一区二区av| 欧美日韩成人在线一区二区| 一级片'在线观看视频| 国产日韩一区二区三区精品不卡| 一本久久精品| 欧美+亚洲+日韩+国产| 在线精品无人区一区二区三| 日韩熟女老妇一区二区性免费视频| 午夜av观看不卡| 亚洲情色 制服丝袜| 成人国产一区最新在线观看 | 啦啦啦中文免费视频观看日本| 久久久久久人人人人人| 交换朋友夫妻互换小说| 久久 成人 亚洲| 男人添女人高潮全过程视频| 精品国产一区二区久久| 激情视频va一区二区三区| 国产精品一区二区在线观看99| 国产男女内射视频| 国产深夜福利视频在线观看| 一区二区三区精品91| 亚洲成人手机| 欧美黄色片欧美黄色片| 国产成人欧美在线观看 | 视频区图区小说| 亚洲国产精品成人久久小说| 免费高清在线观看日韩| 日本av手机在线免费观看| av在线老鸭窝| 国产极品粉嫩免费观看在线| 日韩中文字幕欧美一区二区 | 9热在线视频观看99| 老汉色av国产亚洲站长工具| √禁漫天堂资源中文www| 天天躁夜夜躁狠狠躁躁| 大香蕉久久成人网| 亚洲午夜精品一区,二区,三区| 国产欧美亚洲国产| av一本久久久久| 97在线人人人人妻| 香蕉国产在线看| 久久精品亚洲熟妇少妇任你| 女人久久www免费人成看片| 国产亚洲午夜精品一区二区久久| 亚洲成人免费av在线播放| 国产精品国产三级专区第一集| 亚洲国产欧美网| 精品人妻在线不人妻| 国产熟女午夜一区二区三区| 大片免费播放器 马上看| 亚洲三区欧美一区| 老司机靠b影院| 又大又黄又爽视频免费| 国产片内射在线| 亚洲精品一卡2卡三卡4卡5卡 | e午夜精品久久久久久久| av天堂久久9| 不卡av一区二区三区| 久久久久久久国产电影| 欧美黄色片欧美黄色片| 亚洲黑人精品在线| 国产精品免费大片| 亚洲情色 制服丝袜| 欧美日韩精品网址| 国产视频首页在线观看| 真人做人爱边吃奶动态| 亚洲av成人不卡在线观看播放网 | h视频一区二区三区| 香蕉国产在线看| 亚洲精品日本国产第一区| 黄色视频不卡| 我的亚洲天堂| 久久亚洲国产成人精品v| 狂野欧美激情性xxxx| 欧美成人精品欧美一级黄| 最近最新中文字幕大全免费视频 | 成人亚洲欧美一区二区av| 久久久国产一区二区| 韩国高清视频一区二区三区| 操美女的视频在线观看| 久久ye,这里只有精品| 青春草亚洲视频在线观看| 精品久久久精品久久久| 亚洲av在线观看美女高潮| 人人妻人人爽人人添夜夜欢视频| 亚洲国产欧美一区二区综合| 一本色道久久久久久精品综合| 少妇猛男粗大的猛烈进出视频| 久久久久久免费高清国产稀缺| 久久久欧美国产精品| 肉色欧美久久久久久久蜜桃| 亚洲人成电影免费在线| 国产免费视频播放在线视频| 精品人妻一区二区三区麻豆| 亚洲九九香蕉| 国产成人av教育| 亚洲精品国产av成人精品| 捣出白浆h1v1| 我的亚洲天堂| 亚洲成人国产一区在线观看 | 精品国产超薄肉色丝袜足j| 在线看a的网站| 日日摸夜夜添夜夜爱| 亚洲成人国产一区在线观看 | 中文字幕人妻丝袜一区二区| 午夜激情久久久久久久| 免费看av在线观看网站| 中文字幕另类日韩欧美亚洲嫩草| 亚洲激情五月婷婷啪啪| 大陆偷拍与自拍| 菩萨蛮人人尽说江南好唐韦庄| 丁香六月欧美| 九色亚洲精品在线播放| 国产xxxxx性猛交| 这个男人来自地球电影免费观看| 午夜免费鲁丝| 精品人妻1区二区| 亚洲精品美女久久av网站| 大型av网站在线播放| 狂野欧美激情性xxxx| 欧美成人午夜精品| 久久天堂一区二区三区四区| 亚洲黑人精品在线| 成人影院久久| 999精品在线视频| 中文字幕人妻丝袜一区二区| 日韩av不卡免费在线播放| 久久人人爽av亚洲精品天堂| 一边摸一边做爽爽视频免费| 亚洲第一青青草原| 久久久亚洲精品成人影院| 国产精品秋霞免费鲁丝片| 日韩免费高清中文字幕av| 久热这里只有精品99| 亚洲精品久久久久久婷婷小说| 精品高清国产在线一区| 国产一区有黄有色的免费视频| 午夜老司机福利片| 黑人巨大精品欧美一区二区蜜桃| 精品熟女少妇八av免费久了| 美女视频免费永久观看网站| 日本午夜av视频| 久久精品国产综合久久久| 国产在线免费精品| 真人做人爱边吃奶动态| 成人免费观看视频高清| 亚洲成人手机| 国产精品九九99| 精品少妇久久久久久888优播| 宅男免费午夜| 久久国产精品人妻蜜桃| 欧美黄色片欧美黄色片| 天堂8中文在线网| 久热这里只有精品99| 高清av免费在线| 在线观看人妻少妇| 一级毛片 在线播放| 国产在线一区二区三区精| 亚洲熟女精品中文字幕| 蜜桃国产av成人99| 波多野结衣一区麻豆| 性色av一级| 男女边摸边吃奶| 91九色精品人成在线观看| 看十八女毛片水多多多| 国产免费一区二区三区四区乱码| 99re6热这里在线精品视频| 亚洲国产精品一区三区| 在线精品无人区一区二区三| 亚洲 欧美一区二区三区| 99re6热这里在线精品视频| 色94色欧美一区二区| 亚洲国产av影院在线观看| 三上悠亚av全集在线观看| 国产色视频综合| 亚洲三区欧美一区| 午夜av观看不卡| 国产无遮挡羞羞视频在线观看| 亚洲av国产av综合av卡| 亚洲三区欧美一区| 男人操女人黄网站| 91字幕亚洲| 欧美成狂野欧美在线观看| 国产精品国产三级国产专区5o| 久久天躁狠狠躁夜夜2o2o | 成人亚洲欧美一区二区av| 大片免费播放器 马上看| videosex国产| 精品卡一卡二卡四卡免费| av有码第一页| 久久国产亚洲av麻豆专区| av有码第一页| 午夜91福利影院| 国产男女超爽视频在线观看| 人妻人人澡人人爽人人| 满18在线观看网站| 精品福利观看| 亚洲精品自拍成人| 一区二区三区激情视频| 丝袜人妻中文字幕| 超碰97精品在线观看| 国产精品一国产av| 好男人电影高清在线观看| 久久精品亚洲av国产电影网| 欧美 日韩 精品 国产| 精品熟女少妇八av免费久了| 国产在线一区二区三区精| 极品人妻少妇av视频| av在线app专区| 桃花免费在线播放| av在线app专区| 国产精品亚洲av一区麻豆| 午夜福利视频在线观看免费| 午夜激情久久久久久久| 免费看不卡的av| 欧美少妇被猛烈插入视频| 真人做人爱边吃奶动态| 亚洲九九香蕉| 不卡av一区二区三区| 满18在线观看网站| 亚洲欧美日韩另类电影网站| 欧美日韩成人在线一区二区| 晚上一个人看的免费电影| 日本一区二区免费在线视频| 精品亚洲成国产av| 视频区图区小说| av天堂在线播放| 一本色道久久久久久精品综合| 巨乳人妻的诱惑在线观看| 国产男女内射视频| 欧美黄色片欧美黄色片| 国产1区2区3区精品| 久久女婷五月综合色啪小说| 欧美 亚洲 国产 日韩一| 免费观看人在逋| 免费在线观看视频国产中文字幕亚洲 | 午夜免费鲁丝| 久久人人爽人人片av| 成年av动漫网址| 国产成人影院久久av| 国产精品一区二区免费欧美 | 美女国产高潮福利片在线看| 久久女婷五月综合色啪小说| 久久人人爽av亚洲精品天堂| 80岁老熟妇乱子伦牲交| 一本色道久久久久久精品综合| 午夜精品国产一区二区电影| 一级,二级,三级黄色视频| 欧美人与性动交α欧美软件| 亚洲av日韩精品久久久久久密 | 激情视频va一区二区三区| 免费观看av网站的网址| 好男人视频免费观看在线| 每晚都被弄得嗷嗷叫到高潮| 国产成人精品久久二区二区91| 99久久99久久久精品蜜桃| 天天添夜夜摸| av国产精品久久久久影院| 亚洲成人国产一区在线观看 | 国产欧美日韩一区二区三 | 日日夜夜操网爽| 波野结衣二区三区在线| 亚洲精品日本国产第一区| 免费看十八禁软件| 国产高清视频在线播放一区 | 女人高潮潮喷娇喘18禁视频| 亚洲精品乱久久久久久| 国产主播在线观看一区二区 | 国产av精品麻豆| 亚洲精品日本国产第一区| 亚洲精品自拍成人| 三上悠亚av全集在线观看| 最新在线观看一区二区三区 | 操美女的视频在线观看| 亚洲精品久久成人aⅴ小说| 国产精品一区二区在线不卡| 新久久久久国产一级毛片| 久久国产精品人妻蜜桃| 久久精品熟女亚洲av麻豆精品| 十分钟在线观看高清视频www| 亚洲专区中文字幕在线| 只有这里有精品99| 欧美精品亚洲一区二区| 国产伦人伦偷精品视频| 99九九在线精品视频| 国产精品.久久久| 国产日韩一区二区三区精品不卡| 欧美变态另类bdsm刘玥| 狂野欧美激情性xxxx| 在线观看人妻少妇| 精品国产一区二区久久| 又紧又爽又黄一区二区| 母亲3免费完整高清在线观看| 欧美精品啪啪一区二区三区 | 老汉色∧v一级毛片| 久久99精品国语久久久| 侵犯人妻中文字幕一二三四区| 亚洲人成77777在线视频| 午夜福利视频精品| 看十八女毛片水多多多| 国产成人精品久久二区二区免费| 老汉色av国产亚洲站长工具| 色视频在线一区二区三区| 欧美老熟妇乱子伦牲交| 免费不卡黄色视频| 免费在线观看日本一区| 首页视频小说图片口味搜索 | 国产精品一国产av| 精品国产超薄肉色丝袜足j| 人成视频在线观看免费观看| 人人妻人人添人人爽欧美一区卜| 午夜福利乱码中文字幕| 国产男女内射视频| 久久天堂一区二区三区四区| 成人影院久久| 国产精品二区激情视频| av国产精品久久久久影院| 黄色视频不卡| 啦啦啦视频在线资源免费观看| 在线精品无人区一区二区三| 亚洲国产精品一区三区| 欧美黑人欧美精品刺激| 国产高清videossex| 亚洲成人国产一区在线观看 | 在线观看一区二区三区激情| 亚洲av成人精品一二三区| 999久久久国产精品视频| 操出白浆在线播放| 亚洲精品国产区一区二| 男女边摸边吃奶| 麻豆乱淫一区二区| 亚洲国产欧美一区二区综合| 久久久久网色| 亚洲一区二区三区欧美精品| 婷婷成人精品国产| 永久免费av网站大全| 女性被躁到高潮视频| 亚洲七黄色美女视频| 欧美日韩精品网址| 日韩一本色道免费dvd| 天堂俺去俺来也www色官网| 免费高清在线观看视频在线观看| 秋霞在线观看毛片| 91国产中文字幕| 亚洲国产欧美日韩在线播放| 后天国语完整版免费观看| 黄色毛片三级朝国网站| 肉色欧美久久久久久久蜜桃| 欧美日韩精品网址| 日韩av不卡免费在线播放| 建设人人有责人人尽责人人享有的| 国产黄色免费在线视频| 久热爱精品视频在线9| 老鸭窝网址在线观看| 黄色视频在线播放观看不卡| 婷婷色麻豆天堂久久| 午夜激情av网站| 日韩人妻精品一区2区三区| 亚洲欧美精品综合一区二区三区| 欧美精品人与动牲交sv欧美| 国产老妇伦熟女老妇高清| 亚洲欧美精品自产自拍| 亚洲国产精品成人久久小说| 中文字幕另类日韩欧美亚洲嫩草| 黄色怎么调成土黄色| 国产精品一区二区在线观看99| 亚洲五月婷婷丁香| 久久久久久人人人人人| 18禁黄网站禁片午夜丰满| 久久久久国产精品人妻一区二区| 免费看十八禁软件| 韩国高清视频一区二区三区| 国产精品偷伦视频观看了| 晚上一个人看的免费电影| 国产精品偷伦视频观看了| 曰老女人黄片| 国产黄色免费在线视频| 99国产综合亚洲精品| 国产免费视频播放在线视频| 高清视频免费观看一区二区| 国产精品人妻久久久影院| 午夜影院在线不卡| 国产亚洲午夜精品一区二区久久| 亚洲成av片中文字幕在线观看| netflix在线观看网站| 美女大奶头黄色视频| 精品国产超薄肉色丝袜足j| 人人妻人人澡人人看| 天天躁狠狠躁夜夜躁狠狠躁| 少妇人妻 视频| 无遮挡黄片免费观看| 国产激情久久老熟女| 国产91精品成人一区二区三区 | 亚洲,欧美,日韩| 91精品国产国语对白视频| 天堂中文最新版在线下载| 久久国产精品影院| 久久性视频一级片| 悠悠久久av| 免费不卡黄色视频| av欧美777| 天天添夜夜摸| 午夜91福利影院| 久久99一区二区三区| 超碰97精品在线观看| 桃花免费在线播放| 亚洲熟女毛片儿| 成人手机av| 亚洲av在线观看美女高潮| 色综合欧美亚洲国产小说| 在线观看免费视频网站a站| 欧美大码av| 欧美人与善性xxx| netflix在线观看网站| 久久久久久久久久久久大奶| 麻豆乱淫一区二区| 咕卡用的链子| 人人妻人人爽人人添夜夜欢视频| 久久 成人 亚洲| 久久人妻熟女aⅴ| 麻豆乱淫一区二区| 男人操女人黄网站| 午夜福利视频在线观看免费| 欧美日韩亚洲国产一区二区在线观看 | 人成视频在线观看免费观看| 亚洲中文字幕日韩| 亚洲av成人精品一二三区| 国产又爽黄色视频| 制服人妻中文乱码| 女性生殖器流出的白浆| 男男h啪啪无遮挡| 免费观看av网站的网址| 国产精品国产三级国产专区5o|