笔记《unsupervised subpixelic clasificationg using coarse-resolution time series》

 

方法介绍

 

A问题阐述

思路:利用HR的空间信息&CR的时间信息，来为segment内的第五分类。

两步：1，场景scene内的 HR分割；2，根据每个segment的地物类别为其分类label；

变量定义：将HR分为S个分割体，每个像元x属于一个分割体；一共有L种地物，每种地物有一个标签λ，每个分割体都对应着一个标签label；一共T个时间。CR时间序列表示为v向量；HR时间序列表示为u向量。

 

B 像元分解

主要依据：

1，  CR中每个像元值等于这个像元内包含的HR所有像元值的均值block-average；

（这里对应着端元和丰度的问题，HR在这里起的作用是a告诉CR一个像元中包含地物（即端元对应着该像元范围内对应HR每个像元；丰度对应着1/N，其中N为CR一个像元中包含HR像元个数））

 

C分类map

思路：简单的贝叶斯推导：类别先验（均值方差）已知，对给定的分类结果λ满足一个高斯分布的先验；根据贝叶斯公式得到后验（已知观测结果后分类结果λ的概率），通过最大化后验得到最优分类λ；这里用到的假设有：假设

目的：在已知HR分割结果及CR的时间序列图像，利用后验概率得到label map，labelmap该怎么理解？理解为CR的分类？假设这里已知HR时间序列的分割结果，那类别也已知，为何还要多此一举？label map是对CR进行分类后的结果吗？不是的。注意后面一句：to map a label to each segment fo the HR segmentation,所以之前是只对HR 进行分割而不知道每个分割体的类别，这就讲通了。Lable map指的应该是HR中每个segment的分类结果。

注意：

CR可以表示为每个像元内的lavel及相对类别统计量的概率函数；

如果HR的Label map确定，那个CR像元可以描述数据观察和获得的过程。？？

假设label的测度可以由高斯分布进行刻画，那么CR重的每个像元也服从高斯分布。

假设CR观察值与label map 独立；

重要公式：给定给一个HR的label map，也就是HR分割后的分类，CR每个像元都有一个服从高斯分布的先验，公式7。这个高斯分布的期望方差取决于每类地物的期望方差以及每个分割体在某像元内的比例。

 

假设不同时间的图像是相互独立的：因为判断它们之间相互关系非常复杂。

因此所有假设为H：正态分布的假设；空间独立的假设；时间独立的假设；

 

非监督分类的cost function

我觉得这部分是来讲地物类别先验参数（均值、方差）的估计。地物类别统计计数受影响因素很多，因此要用非监督分类。但由于奇怪的原因，均值估计简单，但是方差估计耗时。因此，做出一个大胆的假设：所有图像所有像元中，方！差！是！固定！值！fixed value！

这是第一个简化！这还没有听着！作者丧心病狂地做出第二的简化：将原来一步走，变成两步走：先求出地物类别参数（就剩均值了）的最小值！再求label配置的最小值！但是它是如何实现的呢，没编过程的傻鸟不懂。

 

对分辨率比的影响

这是什么东东？

 

误差分析

完全没看懂！

 

算法

公式16里涉及到两种算法：

1，  最小二乘法，解决方法SVD

2，  组合优化问题

这里用到模拟退火算法：使用条件：solution space的维度太大以至于不能用systematic study如果局部变量很多并影响全局变量的得到。

思路：依次随机改变一个segment label，检查能量是否减少。

步骤：

计算所有像元中，每个分割体所占比例；

初始化label field；

根据graph diameter初始化温度T；

如果停止准则未符合，随机抽取一个分割体，对它随机选一个类别，轨迹类别均值，计算能量方程，如果满足条件接受类别改变，否则以一定概率拒绝它并减少温度。循环。

模拟退火算法的原理？